目标检测模型压缩算法的研究与实现

发布时间：2021-03-30 01:37

　　传统的目标检测算法检测速度慢、鲁棒性差,无法满足要求日益增高的无人机检测任务。与传统的目标检测算法相比,基于深度学习的目标检测算法检测速度快,但是却依赖PC机强大的计算能力和存储资源。与之形成鲜明对比的是:无人机自身或者其搭载的嵌入式设备计算资源和存储资源严重受限,远不能达到基于深度学习的目标检测模型推理的需要。因此,研究压缩目标检测模型的算法,对于嵌入式设备中部署基于深度学习的目标检测算法以提高无人机的应用水平具有十分重要的意义。为此,本文在深入研究目标检测算法的基础上,深入剖析目标检测模型,针对SSD目标检测模型的特点,定制化压缩算法,并针对无人机目标检测任务的需要,完成基于ARM+GPU架构的嵌入式平台部署。针对无人机目标检测任务进行需求分析,明确需要达到的技术指标。选取Single Shot Detection（SSD）目标检测算法,该算法能够很好的适应机载下视图像多尺度、多形变的特点,但是由于嵌入式平台计算和存储资源受限会使其性能下降。为提升模型在嵌入式平台的性能,对该模型进行了深入研究,结果表明SSD检测模型可以从减少通道数和计算量两个方向进行压缩。针对SSD目标检测模型通... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

R-CNN工作原理

哈尔滨工业大学工学硕士学位论文不能共享计算过程。在测试时，从输入图像中的每个提议候选区域提议特征。Fast R-CNN（Fast Region-based Convolutional Network）实际上是继承了 R-CNN，不过在 R-CNN 的基础上又增加了两种方法增加其检测速度：（1）在 R-CNN 的推荐区域之前，先对图像的特征进行提取，这样后面的网络只需要对单个输入图像使用卷积操作（与之形成鲜明对比的是：R-CNN 却要在2000个重叠区域上分别进行2000 卷积操作）。（2）SVM 被替换成 softmax 层，该层的作用是用来预测。

哈尔滨工业大学工学硕士学位论文系统中，区域提议算法是限制检测目标检测速度得一个计算瓶颈，而selectivesearch则比较慢。Faster R-CNN 的创新点则是，它把之前搜索速度不高的的选择搜索算法（selective search algorithm）替换为一个快速神经网络（事实上，它引入了一个region proposal 网络 RPN）。在 PASCAL VOC 检测基准测试[13]上验证了 Faster R-CNN 检测系统，其中使用了 RPNs 的 Fast R-CNNs 的检测准确率优于使用 SelectiveSearch 的 Fast R-CNNs 检测系统性能。由于引入了 RPN，Faster R-CNN 几乎消除了SS算法在测试阶段带来的所有的计算负担——在测试时用于区域提议的运行时间只有 10ms。使用非常深的网络模型 VGG-16[7]，在 GPU 平台上 FasterR-CNN 的检测系统的检测速率为 5fps，在 PASCAL VOC 2007 上获得 73.2%的 mPA 检测准确率，在 PASCALVOC 2012 数据集上获得 70.4%的 mPA 检测准确率。


本文编号：3108596