轻量化单阶段目标检测模型优化算法研究.pdf

哈尔滨理工大学工学硕士学位论文

轻量化单阶段目标检测模型优化算法研究

摘要

目标检测是计算机视觉领域的重要任务，旨在自动识别和定位图像中的感兴

趣对象，属于图像检索的子问题。近年来，目标检测的应用场景变得更加广泛，

但随着对任务精度和速度的要求越来越高，目标检测模型面临着体积庞大和高计

算复杂性的挑战。

为了应对以上问题，本文提出一种轻量化单阶段目标检测模型，该模型减少

了模型推理过程中的资源占用，提高了模型性能。

针对模型误差项中可能存在的未被模型发现的复杂模式，提出了一种基于参

数字典的隐性知识学习方法，该方法将隐性知识以稀疏字典的形式引入目标检测

模型中，对模型中未被发现的复杂模式进行建模，提高了模型性能。

此外，针对多分支结构不同尺寸卷积核导致的计算速度不均衡问题，提出了

一种重参数化方法。该方法对多分支结构中不同尺寸的卷积核进行统一重构，将

多分支结构整合成单分支结构，提高了模型训练过程中的计算速度。实验结果表

明重参数化方法是有效的。

针对目标检测模型中背景噪声导致目标难以定位的问题，将知识蒸馏方法引

入目标检测模型。对蒸馏损失函数进行进一步推导，使用基于均方误差度量教师

模型与学生模型之间的分布差异。实验结果表明，经过蒸馏的目标检测模型能显

著提升性能，在应对样本不均衡问题上也有良好的表现。

本文方法对模型的主干采用重参数化方法提高模型推理速度，在特征融合阶

段引入隐性知识缓解特征混叠问题，在损失函数反向传播阶段使用知识蒸馏引导

学生模型的参数分布趋向于教师模型。在TrafficDetection数据集和UA-DETRAC

数据集上的实验结果表明，轻量化单阶段目标检测模型能有效适应城市道路交通

场景，检测效果良好。

关键词单阶段目标检测；重参数化；隐性知识；知识蒸馏

-I-

哈尔滨理工大学工学硕士学位论文

ResearchonOptimizationAlgorithmforLightweight

Single-StageObjectDetectionModels

Abstract

Objectdetectionisacrucialtaskinthefieldofcomputervision,aimingto

automaticallyidentifyandlocateobjectsofinterestwithinimages.Itisasubproblemof

imageretrieval.Inrecentyears,theapplicationscenariosforobjectdetectionhave

expandedsignificantly.However,asthedemandforbothaccuracyandspeedincreases,

objectdetectionmodelsfacechallengesrelatedtotheirlargesizeandhigh

computationalcomplexity.

Toaddresstheaboveissues,thispaperproposesalightweightsingle-stageobject

detectionmodel.Thismodelreducesresourceconsumptionduringinferenceand

improvesoverallperformance.Additionally,wetacklethechallengeofcomplex

patternsthatmayexistinthemodel’serrorterms.Weintroduceanovelapproachbased

onparameterdictionariesforlearninglatentknowledge.Thismethodincorporateslatent

knowledgeinto