【《精度轻量化的目标检测网络模型分析案例》2000字】

精度轻量化的目标检测网络模型分析案例目录TOC\o"1-3"\h\u24581精度轻量化的目标检测网络模型分析案例 1294421.1Pytorch简介 1249281.2优化算法思想 1307741.2.1残差模块 1179401.2.2注意力机制 4155631.3模型结构 5126391.4检测步骤 872741.5非极大值抑制算法 8Pytorch简介Pytorch包含自动求导系统的深度神经网络并支持动态图，是一种符合人们的逻辑想法、让用户可以尽可能地聚焦于实现自己的创意的软件。所以本课题选择该软件来进行实验和训练。1.2优化算法思想1.2.1残差模块ResBlock是构成ResNet（残差网络）的基础模块，它在深度学习的发展中发挥了很重要的作用。我们自然地希望能够通过不断加深网络来取得算法性能上的提升，但更深的网络同时也意味着更低的计算效率。一般来说，相较于浅层模型，深度模型更难以优化。ResBlock的原始研究动机就是设计特定的网络结构来解决深度模型难以优化的问题。原作者使用ResNet进行训练时，具有34层的网络的训练误差与测试误差都低于具有18层的网络。这表明ResBlock的确能有效解决深度模型优化困难的问题。因此自然地希望能通过Resblock来优化网络，从而取得算法性能上的提升。所以，为了进一步提升速度，使用ResBlock-D模块代替了部分CSPBlock模块，降低了计算的复杂度。FPS计算：其中D为所有卷积层的和，Ml2为第l个卷积层的输出特征映射大小，Kl2为核大小的个数，CCSPBlock的FLOPs为:ResBlock-D的FLOPs为：通过计算可以得知，CSPBlock和ResBlock-D的计算复杂度比率约为10:1。这意味着ResBlock-D的计算复杂度远小于CSPBlock。因此在改进模型的时候使用ResBlock-D代替了CSPBlock模块。如图1.2。图1.2CSPBlock模块于ResBlock-D模块1.2.2注意力机制深度学习中的注意力机制可以按照人类的注意力机制进行理解。就是把注意力在各种信息上进行分配，信息的重要程度不同，所分配注意力也不同，其目的就是在众多信息中选出核心的信息。在提出CBAM（ConvolutionalBlockAttentionModule）的原论文中，作者希望可以通过使用注意机制来增加重要特征的权重并抑制不必要的特征。为了把空间和通道这两个维度上的有意义的特征更好强调出来，使学习可以在通道和空间两个维度上进行，作者已经做过了相关实验并且证明了先使用通道注意力机制然后再使用空间注意力机制这样的组合效果是比较好的，这是CBAM的通用组合模式，也是Z-NET网络所采取的的顺序。本文所选取的CBAM整体结构如图1.3所示，将一个特征先后通过通道注意力模块（ChannelAttentionModule）和空间注意力模块（SpatialAttentionModule）后得到新的特征矩阵，可以提高算法的识别精度。图1.3CBAM结构图通道注意力模块（ChannelAttentionMoudle）：通道注意力模块对在进行卷积运算的过程中对信息传递的通道进行过滤优化，通过降低无效通道的权重、提高有效通道权重以增大计算的准确率。空间注意力模块（SpatialAttentionMoudle）：将通道注意力模块所得到特征图通过最大池化[27]和平均池化[27]，将结果拼接后经过一个7×7的卷积计算后降维为1个通道，最后生成spatialattentionfeature达到提取特征的目的。1.3模型结构虽然使用ResBlock-D模块来代替CSPBlock模块能够一定程度上提高目标检测的速度，但是它降低了目标检测的准确性。因此为了保持精度和速度的平衡，再两个相同的ResidualNetworkblocks作为辅助残差模块，并将其添加到ResBlock-D模块中以提高精度。这里辅助残差模块利用两个卷积网络提取全局特征，同时使用通道注意力和空间注意力提取更有效的特征信息。采用级联操作将第1个卷积网络的输出特征与空间注意力机制的输出特征进行组合。组合后的特征作为辅助残差模块的输出特征。如图1.4所示。图1.4辅助残差模块最后，将最终的辅助残差模块输出特征与Backbone中Residual网络的输出特征相结合，作为下一个骨干网中Residual网络的输入特征。使改进后的骨干网能够提取出检测对象的全局和局部特征，进一步提高了检测的准确性。如图1.5所示。

图1.5改进后结构综上，我们根据YOLOv4-tiny网络进行改进，构建了改进后的网络模型Z-net，如图3-6所示。我们采用ResBlock-D模块替换掉了原始网络中的CSPBlock模块，这一步操作可以提升模型的检测速度，但是会损失掉一部分精度，因此我们加入辅助残差网络模块以提取更多的物体特征信息，来减少检测误差。从而弥补损失掉的精度。

图1.6Z-net模型结构最后，输入数据集，加载Z-net模型进行训练测试。1.4检测步骤第一步：输入图像划分为n×n个方块，根据聚类算法得出的anchorsbox尺寸生成6个包围盒。第二步：输入图像进入到Z-net卷积神经网络中进行特征提取、特征融合、目标检测、目标定位、目标分类。第三步：采用非极大值抑制（NMS）方法抑制冗余锚框，并输出预测概率最高的锚盒作为最终的检测分类结果。1.5非极大值抑制算法目标检测有时会出现一种增加多余计算量情况，就是产生多余锚盒，这是由于重复预测了相同的目标。非极大值抑制[28-30]的目的是抑制其余多余锚盒