申请/专利权人：湖南大学

申请日：2022-06-28

公开（公告）日：2024-04-16

公开（公告）号：CN114913441B

主分类号：G06V20/17

分类号：G06V20/17;G06V10/25;G06V10/774;G06V10/82;G06V20/54;G06N3/0464;G06N3/0495;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.09.02#实质审查的生效;2022.08.16#公开

摘要：本发明公开了一种通道剪枝方法，包括确定目标网络模型；训练目标网络模型得到基础网络模型；将基础网络模型的卷积层等价解耦得到基础网络解耦模型；训练基础网络解耦模型得到解耦模型；确定最终能够被压缩的通道和保留的通道；对解耦模型进行等价合并得到通道剪枝后的网络模型，完成最终的通道剪枝。本发明还公开了一种包括所述通道剪枝方法的目标检测方法，以及包括所述目标检测方法的遥感图像车辆检测方法。本发明将模型中的卷积层等价解耦为原卷积和结构卷积的级联，分开训练并等价合并为原网络，最后根据结构卷积中的参数进行通道的裁剪；因此本发明方法不仅能够保持模型原有精度，而且压缩率高、可靠性好。

主权项：1.一种通道剪枝方法，包括如下步骤：S1.确定目标网络模型；S2.获取训练数据集和损失函数，并采用获取的训练数据集和损失函数对步骤S1确定的目标网络模型进行训练，得到基础网络模型；所述的获取训练数据集，具体包括如下步骤：获取训练图片；对获取的训练图片，进行随机多尺度变换；变换后，在按照设定概率进行随机左右翻转；最后，通过补灰度值的方式，将图片大小进行统一；将图片整理为统一格式：统一格式为n,x,y,w,h，其中n为目标类别；x,y为目标框相对长宽归一化后的中心坐标；w,h为归一化后目标框的宽度和高度；S3.将步骤S2得到的基础网络模型的卷积层进行等价解耦，得到基础网络解耦模型；S4.采用步骤S2获取的训练数据集和损失函数，对步骤S3得到的基础网络解耦模型进行训练，得到解耦模型；具体包括如下步骤：A.采用步骤S2获取的训练数据集和损失函数，设定学习率，并对步骤S3得到的基础网络解耦模型再次进行训练；训练时，前N轮正常训练；N轮过后，按照结构卷积的参数大小排序，选择需要被压缩的通道，对结构卷积对应的参数施加额外的惩罚梯度；B.结构卷积的参数更新为，D为结构卷积层的卷积核通道数；然后，通过结构卷积的参数，采用如下算式计算原卷积第d个通道的通道重要性Id：式中为结构卷积各通道上第d位置的参数；C.选择需要被压缩的通道数M：初始时M=0；从第N轮开始，每X个训练批次后，M增加Y，直至达到预设的通道压缩比；同时，选择通道时保证每个卷积的通道数量不低于设定值S；其中，X、Y和S均为设定的正整数，且；D.卷积参数的更新过程为，其中为更新后的卷积参数，W为更新前的卷积参数，l为学习率，G为损失函数对卷积的回传梯度；在结构卷积中，对于不需要被压缩的通道，其参数更新方式与原卷积参数更新方式相同；对于需要被压缩的通道，更改其梯度更新方式，对其施加额外的惩罚梯度，其参数更新方式为，其中Q为结构卷积更新前的参数，为结构卷积更新后的参数，为施加的惩罚梯度；为惩罚因子，且；，为符号函数且；S5.根据步骤S4得到的解耦模型，确定最终能够被压缩的通道和保留的通道；具体包括如下步骤：利用结构卷积的参数计算原卷积各通道的通道重要性，其中第I条通道的通道重要性为Id；若原卷积各通道的重要性Id满足，其中k是修剪阈值且k=0.01，则认定原卷积对应的通道为被裁减通道，裁剪后不会降低模型性能；S6.根据步骤S5确定的能够被压缩的通道和保留的通道，对步骤S4得到的解耦模型进行等价合并，得到通道剪枝后的网络模型，完成最终的目标网络模型的通道剪枝。

全文数据：

权利要求：

百度查询： 湖南大学 通道剪枝方法、目标检测方法及遥感图像车辆检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD