基于目标检测算法的模型压缩与优化

发布时间：2022-01-12 08:03

　　近年来,随着目标检测领域的多样化进步,一定程度上为智慧交通、智能定位、智慧工厂等一系列新型产业的发展提供了技术理论基础。在当今万物互联的大环境下,移动终端设备呈现爆炸式增长趋势,给人们工作和生活带来了巨大便捷。但是移动端设备资源有限,难以处理耗费大量系统资源的目标检测任务。若能对原本工作在大型服务器下的目标检测算法通过一系列模型压缩、加速与优化方法处理优化,使之能更快更小的部署到移动端设备上,有助于目标检测算法落地及推广。目前已有很多学者关于目标检测轻量级部署展开了研究并取得了预期成果,但仍存在一定的挑战性问题亟需解决。通过研究现有常用的模型压缩优化方法,本文针对常见目标检测算法做了一定的改进升级,具体研究内容如下:1.针对第三代快速实时目标检测（YOLOv3）算法中,小尺度目标检测效果、精确度不佳及批处理尺寸大小严重影响模型训练等问题,提出了一种新型的改进优化方法。首先通过融合双向特征金字塔网络（BiFPN）结构和滤波器响应归一化（FRN）技术,旨在提高传统YOLOv3算法的精确度;其次借助于第二代洗牌网络（ShuffleNetv2）,完成模型空间的压缩及推理速度的提升;最后在COC... 

【文章来源】：兰州理工大学甘肃省

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 模型压缩及加速
        1.2.2 目标检测
    1.3 研究内容与结构安排
        1.3.1 论文内容安排
        1.3.2 论文结构安排
第2章 相关理论介绍
    2.1 深度学习发展历程
    2.2 卷积神经网络基本介绍
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 非线性激活层
        2.2.4 全连接层
    2.3 卷积神经网络常用结构
        2.3.1 AlexNet网络结构
        2.3.2 VGG网络结构
        2.3.3 ResNet网络结构
    2.4 模型压缩加速方法基本介绍
        2.4.1 蒸馏
        2.4.2 量化
        2.4.3 剪枝
        2.4.4 轻量级网络
    2.5 目标检测算法
        2.5.1 YOLOv3算法
        2.5.2 Faster-RCNN算法
    2.6 本章小结
第3章 YOLOV3模型的改进与优化
    3.1 引言
    3.2 双向特征金字塔网络
    3.3 滤波器响应归一化
    3.4 基于双向特征金字塔和滤波器响应归一化的改进模型
        3.4.1 整体模型设计
        3.4.2 模型网络层的构建和训练
    3.5 实验结果与算法性能分析
        3.5.1 实验数据
        3.5.2 多尺度特征融合方法性能对比
        3.5.3 各归一化方法对于批处理尺寸性能对比
        3.5.4 DBL与 DFL性能对比
        3.5.5 各轻量级网络性能对比
    3.6 本章小结
第4章 Faster-RCNN模型压缩与加速
    4.1 引言
    4.2 新型剪枝方法
    4.3 融合量化的知识蒸馏方法
    4.4 基于新型剪枝和融合量化的知识蒸馏方法的优化模型
        4.4.1 整体模型设计
        4.4.2 模型网络层的构建与训练
    4.5 实验结果与算法性能分析
        4.5.1 实验数据
        4.5.2 各种剪枝方法性能对比
        4.5.3 知识蒸馏系数lamda取值性能对比
        4.5.4 各种压缩加速方法性能对比
    4.6 本章小结
总结与展望
参考文献
致谢


【参考文献】：
期刊论文
[1]一种基于通道重排的轻量级目标检测网络[J]. 徐晗智,艾中良,张志超.  计算机与现代化. 2020(02)
[2]基于改进YOLOv3的目标识别方法[J]. 陈正斌,叶东毅,朱彩霞,廖建坤.  计算机系统应用. 2020(01)
[3]基于滤波器注意力机制与特征缩放系数的动态网络剪枝[J]. 卢海伟,夏海峰,袁晓彤.  小型微型计算机系统. 2019(09)
[4]基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法[J]. 吕石磊,卢思华,李震,洪添胜,薛月菊,吴奔雷.  农业工程学报. 2019(17)
[5]基于分组残差结构的轻量级卷积神经网络设计[J]. 李鹏,蒋品群,曾上游,夏海英,廖志贤,范瑞.  微电子学与计算机. 2019(07)
[6]基于知识蒸馏的超分辨率卷积神经网络压缩方法[J]. 高钦泉,赵岩,李根,童同.  计算机应用. 2019(10)
[7]一种基于Lasso回归与SVD融合的深度学习模型压缩方法[J]. 吴进,吴汉宁,刘安,李聪,李乔深.  电讯技术. 2019(05)
[8]深度学习和迭代量化在图像检索中的应用研究[J]. 甄俊杰,应自炉,赵毅鸿,黄尚安.  信号处理. 2019(05)
[9]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌.  光学学报. 2019(07)
[10]基于改进损失函数的YOLOv3网络[J]. 吕铄,蔡烜,冯瑞.  计算机系统应用. 2019(02)

博士论文
[1]智能视频监控中的运动目标检测和跟踪算法研究[D]. 袁国武.云南大学 2012

硕士论文
[1]基于深度学习的目标检测及其在智能车驾驶环境理解的应用研究[D]. 温静.北京交通大学 2019
[2]室内环境下人物图像检测与精确计数[D]. 赵鑫.国防科技大学 2018



本文编号：3584424