深度神经网络压缩算法及其在目标检测中的应用研究

发布时间：2021-01-24 07:16

　　目标检测是计算机视觉领域中的一个重要研究问题,并被广泛应用到智能化交通系统、智能监控系统、人机互动以及医学导航手术等众多领域。近年来,深度学习方法在众多领域中表现出优异的效果,尤其是在计算机视觉领域取得了巨大的突破。目前,在绝大多数视觉任务中,基于深度神经网络的方法都处于领先地位。以Fast R-CNN、Faster R-CNN等为代表的检测框架开启了物体自动检测算法的热潮。并且,由于多数研究者侧重于提高检测算法的精度,因此为了提取更加复杂的特征,深度网络的层数呈现出指数级的增长,成百上千层的网络应运而生。然而,这些基于深度神经网络的检测算法对硬件的存储能力和计算能力都有着较高的要求。因此,尽管基于深度神经网络的物体检测算法在精度上显著超过传统算法,但其巨大的存储和计算代价为其在移动端或嵌入式设备等资源受限平台上的部署带来了巨大的挑战。因此,深度神经网络模型的压缩,加速和优化成为了学术界及工业界共同关注的迫切而重要的研究课题。基于这一需求,一些网络压缩算法逐渐被提出。但是目前多数网络压缩算法会导致原始模型的性能出现明显的损失,如分类任务中的精度降低或检测任务中的漏检率升高。本文介绍了目... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

ImageNet分类比赛冠军网络Fig.1.1ThechampionnetworksinImageNetclassification

描述图像颜色信息的 LUV 特征[7],[9]，描述图像局部信息的 SIFT 特征[6]等。随后ChnFtrs[7]、ACF[8]等方法提出使用 10 个通道特征（LUV 三个颜色通道、HOG 梯度幅值通道及 6 个梯度方向通道）来描述目标特性。这些工作也充分表明丰富的特征对于提高算法检测性能有着明显的帮助，因此检测算法逐渐从基于单一特征发展为基于多类特征。然而，基于手工设计特征的传统目标检测算法需要工作者具有丰富的特征设计经验，并且手工设计的特征表达能力有限。因此，基于深度学习的目标检测算法[10]得到广泛关注并取得了巨大的成功。R-CNN Fast R-CNN Faster R-CNN YOLO

缩放等预处理到统一尺寸，然后使用 VGG 网络为候选框提取固定长度的特征向量，最终使用 SVM 分类器对各个候选框的物体进行分类及位置回归。具体的算法流程如下图 2-2 所示。尽管 R-CNN 算法成功地超越了多数传统检测算法，但整个算法具有重复计算，多阶段训练的问题，步骤繁琐，训练耗时，占用磁盘空间大。


本文编号：2996830