基于轻量化模型的目标检测方法研究.pdfVIP

摘要

摘要

生活和生产的信息智能化正成为当前社会发展的趋势。为了提高生活质量和

生产效率，人工智能技术成为一项不可获缺的手段。在人工智能领域，计算机视觉

技术是一门备受关注的学科，它能够对图像数据和视频数据进行分析和处理，并

辅助人们做出精准和高效的决策。目标检测是计算机视觉领域的核心分支和基础

性任务，其广泛地应用在交通运输、安防、工业生产和医疗保健等方面。现存的

目标检测算法依赖于复杂精密的骨干模型以获得傲人的检测效果。然而，这些庞

大且精密的目标检测模型带来的高存储空间需求和强算力支持需求，对于边缘端

的移动设备和嵌入式设备来说是不可接受的。

本文围绕当前目标检测算法面临的挑战，基于FasterR­CNN检测框架，以获

得更加轻量的骨干网络和更高的检测精度为目标，开展基于轻量化模型的目标检

测算法研究。本文的研究内容主要为：针对骨干模型的网络剪枝算法，和基于内

部特征图融合的知识蒸馏算法。上述研究内容的详细介绍如下：

1.提出了一种依托于注意力机制的卷积通道剪枝算法，该算法通过在原始模

型中插入参数量和计算量都极少的注意力模块，来指导模型卷积层的通道剪枝，

从而实现计算量的削减，并通过遗传算法为模型搜索最优的稀疏结构。该算法可

以对目标检测框架的骨干网络进行剪枝。实验证明该方法在有效削减模型的计算

量的同时，能够将由剪枝带来的模型精度损失控制在可接受的范围内。同时，该

方法针对深度学习模型进行压缩，任何基于深度学习模型的算法都可以使用本文

的剪枝算法进行优化。

2.提出了一种基于内部特征图融合的知识蒸馏算法，该算法基于图像融合的

思想，通过教师模型内部特征和学生模型内部特征的融合，缩小教师模型和学生

模型的差距，从而提高蒸馏的效果。特征蒸馏还可以结合软目标蒸馏，获得更好

的模型表现。为了平衡目标检测中目标样本和背景样本类别的差异性，还可以对

软目标进行分类计算蒸馏损失。蒸馏的学生模型是剪枝后的骨干模型。在图像识

别数据集和目标检测数据集上的实验证明了本文蒸馏算法的有效性。

关键词：目标检测，轻量化模型，模型压缩，网络剪枝，知识蒸馏

II

ABSTRACT

ABSTRACT

Theinformationintelligenceoflifeandproductionisbecomingthetrendofcurrent

socialdevelopment.Inordertoimprovethequalityoflifeandproductionefficiency,arti­

ficialintelligencetechnologyhasbecomeanindispensablemeans.Inthefieldofartificial

intelligence,computervisiontechnologyisasubjectthathasattractedmuchattention.It

cananalyzeandprocessimageandvideodataandassistpeopletomakeaccurateandeffi­

cientdecisions.Objectdetectionisanimportantresearchbranchinthefieldofcomputer

vision,whichiswidelyusedintransportation,security,industrialproductionandmedical

care,etc.Existingobjectdetectionalgorithmsrelyonpowerfulfeatureextractionnet­

workstoobtainaccuratedetectionresults.However,thehighstoragespacerequirements

andstrongcomputingpowersupportrequirementsbroughtbythesehugeandsophisti­

catedobj