一种基于压缩SSD的低空飞行物检测方法技术

本发明专利技术提供一种基于压缩SSD的低空飞行物检测方法，涉及目标检测技术领域。本发明专利技术采用通道剪枝算法对模型加以压缩，提高模型的检测速度。首先，在基础模型中添加批量归一化层，为各通道引入比例因子。然后，联合训练比例因子，使其数值与通道的重要性相关联。最后，通过衡量比例因子大小，判断通道重要性，剪除重要性低的通道。压缩后的模型各方面性能均优于原模型，模型网络结构更加精炼，体积大大降低，运行的速度也更快，会得到更高的检测速度。本发明专利技术所采用的通道剪枝方法对各个通道的重要性进行了衡量，以保证被剪除的通道对模型的精度影响较小，因此，优化后的模型精度与原模型精度接近。接近。接近。

【技术实现步骤摘要】
一种基于压缩SSD的低空飞行物检测方法


[0001]本专利技术涉及目标检测
，尤其涉及一种基于压缩SSD的低空飞行物检测方法。

技术介绍

[0002]低空空域是指高度在1000m以下的飞行区域，该领域对于农业生产、医疗救助以及交通行业而言，都有着重要的应用价值。近年来，我国为支持国内航空产业，逐步开放了低空空域，其管理问题也随之而来。目前，常见的低空飞行物主要有鸟类以及无人机。无人机作为高科技产品，被广泛应用到各个领域，如农业生产、旅行航拍与竞技比赛等方面，它给人们带来便捷与快乐的同时，也存在安全隐患。部分私人拥有的无人机，在进行飞行时，会对低空领域内飞行的客机产生安全威胁。且无人机进行航拍时，存在侵犯私人空间、泄露他人隐私等问题。因此，需进一步加强对低空空域的管理，完善对于低空中各类飞行目标的检测问题。
[0003]近些年，随着深度学习的不断发展，卷积神经网络作为其代表算法之一，在图像识别和检测方面也取得了显著的成果，从2016年至今，先后涌现了Faster R
‑
CNN,YOLO,SSD等优越的目标检测方法。得益于越来越深、越来越复杂的网络结构，大型卷积神经网络的性能更加强大，能更好地提取特征。因此，可利用卷积神经网络对低空飞行物进行检测识别。低空飞行物的运行速度快，且距离地面近，从被系统捕捉到消失历时较短。对此，为满足检测模型的实用性，对模型的识别速度有较高的要求。现有目标检测模型中，SSD(Single Shot MultiBox Detector)模型在检测速度与精度方面皆表现良好，但SSD模型结构复杂、体积庞大，针对低空飞行物，其检测速度相对较慢。针对这一问题，需要对目标检测模型进行压缩，在保证其精度的情况下，降低模型的复杂度和资源需求，提高模型在服务器平台上的检测速度。

技术实现思路

[0004]本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于压缩SSD的低空飞行物检测方法，采用通道剪枝算法对SSD模型加以压缩，模型网络结构更加精炼，其体积相较于原模型更小，在保证精度的同时大大提高了检测速度。
[0005]为解决上述技术问题，本专利技术所采取的技术方案是：
[0006]一种基于压缩SSD的低空飞行物检测方法，包括以下步骤：
[0007]步骤1：对SSD模型内部隐藏层输入的数据进行批量归一化处理，加快网络收敛速度，使SSD模型拥有更好的性能。
[0008]步骤2：采用L1正则化方法，以衡量通道重要性的因素作为正则化方法的目标参数，将正则化项加入SSD模型的损失函数中，从而实现对SSD模型的内部通道进行稀疏化处理的作用。
[0009]步骤3：在SSD模型中引入比例因子，对模型中各个通道的重要性进行衡量。选用BN
层的γ参数作为各个通道的比例因子。将比例因子与通道输出相乘，作为通道的最终输出，对网络权重与比例因子进行联合训练。在训练的过程中，当比例因子取零时，可实现对目标检测模型中的通道自动进行剪枝的效果。为便于后期的剪枝操作，对比例因子进行了稀疏正则化处理，使其整体数值逼近于零，其中部分数值归零，实现化简模型的效果。
[0010]步骤4：以vgg16作为基础网络，构建SSD模型的具体网络结构，并在模型的激活层后添加BN层对模型加以优化。以BN层中的参数γ作为各个通道的比例因子，并设置正则化项的惩罚因子、初始学习率设置和Batch_Size，基于低空飞行物数据集，使用随机梯度下降算法对模型进行训练。
[0011]步骤5：针对训练后获得的稀疏模型，确定剪枝率，获得对应的数值作为全局修剪阈值。通过该阈值对SSD模型中的各条通道进行衡量，剪除重要性低的通道，获得压缩SSD模型。
[0012]步骤6：输入待检测的视频名称，运行压缩SSD模型对视频中的低空飞行目标进行检测。首先在压缩SSD模型的命令窗口中输入视频的存放地址，然后运行压缩SSD模型，对视频开始检测。
[0013]采用上述技术方案所产生的有益效果在于：本专利技术提供的基于压缩SSD的低空飞行物检测方法，采用通道剪枝算法对SSD模型加以压缩。以批量归一化层中的仿射变换参数γ作为各个通道的比例因子，即利用该参数衡量目标检测模型中各个通道的重要性，将模型中影响力小的通道剪除从而精简模型的结构。并且，为进一步提高通道剪枝的效率，采用L1正则化方法，对通道剪枝的比例因子进行稀疏化处理，再选定合适的剪枝率，对SSD模型进行通道剪枝，获得一个经过优化的目标检测模型。该模型的各方面性能均优于原模型，从模型体积方面分析，经过优化处理的模型网络结构更加精炼，其体积相较于原模型会大大降低；从模型的检测速度方面分析，优化后的模型体积更小，运行的速度也更快，会得到更高的检测速度。从模型的检测精度方面分析，本专利技术所采用的通道剪枝方法对各个通道的重要性进行了衡量，以保证被剪除的通道对模型的精度影响较小，因此，优化后的模型精度与原模型精度接近。
附图说明
[0014]图1为本专利技术实施例提供的SSD目标检测模型的基础网络结构图；
[0015]图2为本专利技术实施例提供的通道剪枝算法的操作示意图；
[0016]图3为本专利技术实施例提供的SSD模型进行通道剪枝前后的部分网络结构图；其中，图(3a)为剪枝前的SSD模型中的部分网络结构，图(3b)为图(3a)对应的剪枝后的结构；
[0017]图4为本专利技术实施例提供的SSD模型进行通道剪枝前后的检测效果对比图；其中，图(4a)为剪枝前的模型检测效果图，图(4b)为剪枝后的模型检测效果图；
[0018]图5为本专利技术实施例提供的进行通道剪枝后SSD模型的PR图像；其中，图(5a)为无人机类检测目标的PR图像，图(5b)为鸟类检测目标的PR图像；
[0019]图6为本专利技术实施例提供的SSD模型进行通道剪枝前后的检测精度对比图；其中，图(6a)为剪枝前的模型mAP值图像，图(6b)为剪枝后的模型mAP值图像。
具体实施方式
[0020]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0021]本实施例基于压缩SSD的低空飞行物检测方法具体如下所述。
[0022]步骤1：对SSD模型内部隐藏层输入的数据进行批量归一化处理。
[0023]SSD模型训练时，会对输入数据进行数据增强与归一化处理，但在训练过程中，由于一次次进行卷积运算，中间层数据分布变动，将导致梯度消失或爆炸，影响模型训练速度。为此，本实施例在SSD模型中添加批量归一化层(Batch Normalization，BN)，该层将对输入数据进行批量归一化处理，加快网络收敛速度，使模型拥有更好的性能。为减少BN层的计算量，该层参考权值共享策略，以通道为范围，对输入数据进行如下处理。
[0024][0025][0026][0027]其中，x代表SSD模型中间层输入特征图的均值；x
i
代表第i张特征图的均值；m代表输入的一个小批量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于压缩SSD的低空飞行物检测方法，其特征在于：将基础的SSD网络模型采用通道剪枝算法加以压缩后，进行低空飞行物的检测，具体方法为：步骤1：在SSD模型中添加批量归一化层，即BN层，对SSD目标检测模型内部隐藏层输入的数据进行批量归一化处理；步骤2：采用L1正则化方法，以衡量通道重要性的因素作为正则化方法的目标参数，将正则化项加入SSD模型的损失函数中，从而实现对SSD模型的内部通道进行稀疏化处理的作用；步骤3：在SSD模型中引入比例因子优化损失函数，对模型中各个通道的重要性进行衡量；选用BN层的γ参数作为各个通道的比例因子；将比例因子与通道输出相乘，作为通道的最终输出，对网络权重与比例因子进行联合训练；在训练的过程中，当比例因子取零时，实现对目标检测模型中的通道自动进行剪枝的效果；对比例因子进行稀疏正则化处理，使其整体数值逼近于零，其中部分数值归零，实现化简模型的效果；步骤4：以vgg16作为基础网络，构建SSD模型的具体网络结构，并在模型的激活层后添加BN层，以BN层中的参数γ作为各个通道的比例因子，并设置正则化项的惩罚因子、初始学习率和Batch_Size，基于低空飞行物数据集，使用随机梯度下降算法对模型进行训练；步骤5：针对训练后获得的稀疏模型，确定剪枝率，获得对应的数值作为全局修剪阈值，通过该阈值对SSD模型中的各条通道进行衡量，剪除重要性低的通道，获得压缩SSD模型；步骤6：输入待检测的视频名称，运行压缩SSD模型对视频中的低空飞行目标进行检测；首先在压缩SSD模型的命令窗口中输入视频的存放地址，然后运行压缩SSD模型，对视频进行检测。2.根据权利要求1所述的基于压缩SSD的低空飞行物检...

【专利技术属性】
技术研发人员：张德育，刘猛，康鑫英，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：