【技术实现步骤摘要】
本专利技术属于行人检测，涉及一种行人检测模型构建技术，尤其涉及一种有限通信预算下的边缘设备行人检测模型构建方法。
技术介绍
1、行人检测技术已被广泛应用于智能驾驶、安防、物联网等领域，能够有效辅助市区环境中驾驶车辆的驾驶员及时地对外界环境作出反应，避免碰撞行人，减少交通事故。行人检测技术还可帮助政府进行刑侦探案、走失儿童寻找等其他领域。
2、专利申请号cn201410196878.7公开了一种基于移动机器人平台的分布式行人检测系统和方法，该检测系统包括移动机器人平台及其搭载的微软公司kinect摄像机，桌面计算机和网络通信设备。该检测方法是将当前各种成熟与行人相关的检测算法和机器人操作系统ros(robotoperatingsystem)融合起来，采用机器人操作系统ros分布式计算节点来计算行人的各种特征，主要是梯度直方图hog(histogramofgradients)，人脸检测节点，上身梯度直方图hog节点，肤色检测节点，点云检测节点和姿态检测节点，并将计算的各种特征数据综合融合，以达到在机器人移动过程中，能稳定地跟踪行人目标，提高检测的准确率。然而，传统的分布式模型的训练需要将各方的数据集汇聚于中心服务器，由中心服务器统一训练之后将训练好的模型下发给分布式节点，再由各分布式节点执行本地任务。当分布式节点需要上传数据集等内容时，容易导致数据泄漏，危害整个系统的隐私性。而且，由于数据集体量过大，大量的分布式节点传输数据会导致过高的通信开销；同时由于机器人成本高，不可能应用于大规模部署，丧失了分布式行人检测系统的优势
技术实现思路
1、本专利技术目的旨在针对现有技术中的上述不足，本专利技术提供了一种有限通信预算下的边缘设备行人检测模型构建方法，能有效提升系统隐私性，降低边缘设备与中心服务器的通信开销，加快边缘设备的推理速度，使得模型能够部署于成本低算力小的边缘设备上，最终能应用于大规模部署，还能够有效解决数据异构化问题，提升边缘模型的精度，使其更好地适应自己的任务。
2、为了达到上述专利技术目的，本专利技术采用以下技术方案来实现。
3、本专利技术提供了一种有限通信预算下的边缘设备行人检测模型构建方法，包括以下步骤：
4、s1中心服务器对与之通信连接的各边缘设备发出训练信号；
5、s2各边缘设备利用本地的行人目标检测数据集，对行人目标检测模型进行稀疏训练后剪枝得到轻量化行人目标检测模型；所述行人目标检测模型使用改进型yolov3目标检测模型，其包括输入层、主干网络层、颈部网络层和预测网络层；该步骤包括以下分步骤：
6、s21利用本地的行人目标检测数据集对行人目标检测模型进行稀疏训练一次；
7、s22计算剪枝阈值，将改进型yolov3目标检测模型中比例因子小于剪枝阈值的通道进行裁剪；
8、s23对裁剪后的改进型yolov3目标检测模型进行微调；
9、s24对微调后的改进型yolov3目标检测模型进行第一精确度测试，如果满足要求，得到本地轻量化行人目标检测模型，进入步骤s3，否则利用自适应稀疏调整稀疏训练指数，返回步骤s21，重复步骤s21-s24，直至模型第一精确度满足要求；
10、s3各边缘设备将轻量化行人目标检测模型发送给中心服务器；
11、s4中心服务器将来自各边缘设备的轻量化行人目标检测模型进行聚合，然后反馈给各边缘设备；
12、s5各边缘设备冻结本地轻量化改进型yolov3目标检测模型的预测网络层，仅利用接收的聚合后的轻量化行人目标检测模型对本地轻量化改进型yolov3目标检测模型的输入层、主干网络层和颈部网络层进行更新；
13、s6各边缘设备进行第二精确度测试，如果满足要求，完成本地模型训练，否则返回步骤s2，重复步骤s2-s6，直至第二精确度满足要求。
14、上述步骤s1中，中心服务器向边缘设备发出训练信号的同时将初始化行人目标检测模型发送给边缘设备。
15、上述步骤s2中，所述行人目标检测模型为改进型yolov3目标检测模型(简称dssyolo网络)；所述改进型yolov3目标检测模型通过稀疏训练，能够使网络通道更加平滑，降低剪枝时的准确度损失。所述改进型yolov3目标检测模型用于对待测图像进行不同深度的特征提取，然后对测试进行融合，其包括输入层、主干网络层、颈部网络层和预测网络层；所述输入层、颈部网络层和预测网络层使用的是常规yolov3网络常规设置中的输入层、颈部网络层和预测网络层。所述主干网络层为改进后的darknet网络，简称为dsdn网络；所述dsdn网络是对darknet-53网络改进得到的；在部分残差网络使用较深的结构部分，将部分残差模块中的普通卷积替换为深度可分离卷积(dsconv)，以降低模型整体参数量。所述替换后的残差模块包括若干组卷积单元；每个卷积单元包括顺次设置的两个卷积模块，且每个卷积单元的输入端跳跃连接至输出端；所述卷积模块包括顺次连接的dsconv卷积层、bn层和激活函数层(leakyrelu)。所述行人目标检测模型设置有三个loss分量，分别为预测框loss、类别loss和预测框置信度loss。
16、所述预测框loss表示为：
17、
18、式中，λcoord为超参数，用于调节边界框损失的权重；s表示网格尺寸；b表示锚框数；表示i，j处的锚框是否有目标，如果有目标为1，否则为0；wi、hi分别表示物体的宽度和高度；分别表示预测框的宽度和高度；xi、yi表示物体的中心点坐标；表示预测框的中心点坐标；
19、所述类别loss表示为：
20、
21、式中，λclass为超参数，用于调节分类损失的权重；pi(c)、分别表示物体的真实类别置信度与预测类别置信度；
22、所述预测框置信度loss表示为：
23、
24、式中，λnoobj、λobj为超参数，用于调节置信度损失的权重；表示i，j处的锚框是否没有目标，如果没有目标为1，否则为0；ci、分别表示真实框的置信度与预测框的置信度；
25、因此，改进型yolov3目标检测模型损失函数为：loss＝lbox+lobj+lcls。
26、之后，可以将bn层每个通道的参数γ作为比例因子，设定剪枝比率r，以剪枝比率r与bn层的通道长度相乘作为相应层的剪枝阈值t；将相应层中比例因子γ小于剪枝阈值t的通道进行裁剪。在优选实现方式中，以剪枝比率r与所有bn层的通道长度之和相乘作为全局剪枝阈值t；遍历每一bn层，利用l2范数，计算每一层剪枝阈值与全局剪枝阈值的距离，若距离大于设定距离阈值，相应层就使用全局剪枝阈值作为其剪枝阈值，否则保持相应层的剪枝阈值；将每一层比例因子γ小于相应层剪枝阈值的通道进行裁剪。依据比例因子γ得到的损失函数g(γ)，如下所示：<本文档来自技高网...
【技术保护点】
1.一种有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，步骤S2中，所述改进型YOLOv3目标检测模型的主干网络层为改进的Darknet网络；所述改进的Darknet网络是对Darknet-53网络改进得到的，将Darknet-53网络的部分残差模块替换，替换后的残差模块包括若干组卷积单元；每个卷积单元包括顺次设置的两个卷积模块，且每个卷积单元的输入端跳跃连接至输出端；所述卷积模块包括顺次连接的DSconv卷积层、BN层和激活函数层。
3.根据权利要求2所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，所述行人目标检测模型设置有三个Loss分量，分别为预测框Loss、类别Loss和预测框置信度Loss；
4.根据权利要求3所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，步骤S22中，将BN层每个通道的参数γ作为比例因子，设定剪枝比率r，以剪枝比率r与BN层的通道长度相乘作为相应层的剪枝阈值t；将相应层中比例因
5.根据权利要求4所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，以剪枝比率r与所有BN层的通道长度之和相乘作为全局剪枝阈值T；遍历每一BN层，利用L2范数，计算每一层剪枝阈值与全局剪枝阈值的距离，若距离大于设定距离阈值，相应层就使用全局剪枝阈值作为其剪枝阈值，否则保持相应层的剪枝阈值；将每一层比例因子γ小于相应层剪枝阈值的通道进行裁剪。
6.根据权利要求5所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，依据比例因子γ得到的损失函数g(γ)：g(γ)＝|γ|表示L1正则化。
7.根据权利要求6所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，训练改进型YOLOv3目标检测模型的最终损失函数L为：
8.根据权利要求1所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，步骤S4具体操作为：中心服务器固定其行人目标检测模型的预测网络层，仅利用各轻量化行人目标检测模型的输入层、主干网络层和颈部网络层进行聚合，得到聚合后的轻量化行人目标检测模型。
9.根据权利要求8所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，使用改进后的FedAvg算法对输入层、主干网络层和颈部网络层参数进行聚合，得到聚合后的轻量化行人目标检测模型；中心服务器再将聚合后的轻量化行人目标检测模型反馈给各边缘设备。
...【技术特征摘要】
1.一种有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，步骤s2中，所述改进型yolov3目标检测模型的主干网络层为改进的darknet网络；所述改进的darknet网络是对darknet-53网络改进得到的，将darknet-53网络的部分残差模块替换，替换后的残差模块包括若干组卷积单元；每个卷积单元包括顺次设置的两个卷积模块，且每个卷积单元的输入端跳跃连接至输出端；所述卷积模块包括顺次连接的dsconv卷积层、bn层和激活函数层。
3.根据权利要求2所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，所述行人目标检测模型设置有三个loss分量，分别为预测框loss、类别loss和预测框置信度loss；
4.根据权利要求3所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，步骤s22中，将bn层每个通道的参数γ作为比例因子，设定剪枝比率r，以剪枝比率r与bn层的通道长度相乘作为相应层的剪枝阈值t；将相应层中比例因子γ小于剪枝阈值t的通道进行裁剪。
5.根据权利要求4所述的有限通信预算下的边缘设备行人检测模型构建方法，其特征在于，以...
【专利技术属性】
技术研发人员：董志华，王治国，王志铭，殷康宁，丁震，季鑫慧，
申请(专利权)人：喀什地区电子信息产业技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。