论文部分内容阅读
目标检测由于有着非常重要的研究和应用价值,所以一直是计算机视觉领域的研究热点。受光照、环境变化等因素的影响,基于人工特征的传统目标检测达到了瓶颈,而深度学习通过自主学习的方式提取图像中的特征,对光照、环境变化具有非常高的适应性,所以深度学习的迅猛发展带动目标检测取得了重大突破。基于深度学习的目标检测算法有着优异的检测精度,但是通常网络模型都十分巨大,检测速度较低,很难应用于对检测速度要求较高的场景或者部署到计算能力有限的移动端设备上。针对这一问题,本文进行轻量化卷积神经网络目标检测研究,保证检测精度不变的同时,提高检测速度,主要工作内容包括:(1)针对YOLOv3网络特点,引入层剪枝、卷积核剪枝以及混合剪枝等模型压缩方法,精简模型大小,提升网络检测速度。将BN层学习得到的缩放系数作为剪枝衡量指标,并对原有BN层损失函数添加关于缩放系数的正则化项,进行稀疏训练,便于筛选重要性较低的剪枝目标。对于网络包含残差结构的特点,采用具有针对性的剪枝策略,保证残差结构的完整性。将设计好的剪枝方法应用于在CCPD数据集上训练得到的YOLOv3模型,在保证检测精度为98.7%基本不变的情况下,将检测速度由48FPS提升到303FPS,模型大小由492.6MB压缩到2.6MB。(2)将验证有效的轻量化模型YOLOv3目标检测方法应用到RoboMaster机器人装甲检测中,通过缩小网络输入图像大小、减少检测层数量进一步提升目标检测速度,并结合共享内存的方法创建相机图像采集进程和装甲检测进程,使得两个进程并行运行,最终得到的系统在CPU上的运行速度可以达到95FPS以上,同时检测精度为95.8%。针对深度学习目标检测模型较大、检测速度较慢的问题,本文在性能优异的YOLOv3的基础上,引入了网络剪枝的方法,精简网络结构,能够在保证检测精度的同时,大幅度提升检测速度。将验证有效的方法应用到RoboMaster机器人装甲检测中,结合其他方法进一步提升检测速度,实现了在CPU上实时检测的效果。本文包含图40幅,表17个,参考文献53篇。