CN119169420B 基于双级剪枝和自适应量化的轻量化火灾检测方法 （西安中核核仪器股份有限公司）

基于双级剪枝和自适应量化的轻量化火灾本发明公开了一种基于双级剪枝和自适应时通过通道级重要性因子和层级重要性因子的稀疏化实现从通道级、层级两个层次上进行剪对剪枝后模型进行量化处理，获得最优量化模剪枝，又根据模型每层的特性自适应地进行量2该卷积神经网络模型中的所有卷积层均采用可融合分支所述主干分支中输入特征图依次经过第一卷积层和批归一化层输出特征图匹配操作后，每条通道的特征图与对应通道的通道级重要性因子做线性乘积运算，步骤5、根据最终的权重离群值百分比参数和激活值离群值百分比参数对剪枝模型进步骤6、将待检测的火灾图像输入到基于双级剪枝和自适应量化的轻量化火灾检测模2.按照权利要求1所述的基于双级剪枝和自适应量化的轻量化火灾检测方法，其特征3.按照权利要求2所述的基于双级剪枝和自适应量化的轻量化火灾检测方法，其特征i3配操作所变换成的卷积的权重和偏置，Wf和bf为主干分支和捷径分支融合后普通卷积的权4.按照权利要求3所述的基于双级剪枝和自适应量化的轻量化火灾检测方法，其特征特征图匹配操作所变换成的卷积的第j个输出通道、第q个输入通道的权重和偏置，5.按照权利要求1所述的基于双级剪枝和自适应量化的轻量化火灾检测方法，其特征6.按照权利要求1所述的基于双级剪枝和自适应量化的轻量化火灾检测方法，其特征4[0005]量化方法可以有效的减少模型规模，但是量化后模型的精度会有一定程度的下[0009]一种基于双级剪枝和自适应量化的轻量化火灾检测方法，该方法包括有如下步5捷径分支的输出进行融合作为可融合分支卷积块[0015]步骤5、根据最终的权重离群值百分比参数和激活值离群值百分比参数对剪枝模型进行实际量化，实际量化后的模型为基于双级剪枝和自适应量化的轻量化火灾检测模[0016]步骤6、将待检测的火灾图像输入到基于双级剪枝和自适应量化的轻量化火灾检入特征图和主干分支的卷积层判断输入特征图与输出的第一特征图的通道数和尺寸是否6图匹配操作所变换成的卷积的权重和偏置，Wf和bf是主干分支和捷径分支融合后普通分支特征图匹配操作所变换成的卷积的第j个输出通道、第q个输入通道的权重和偏置，成一个尺寸为v×v的卷积核。道级重要性因子和层级重要性因子的稀疏化实现从通道级、层级两个层次上同时进行剪再通过自适应后最优的权重离群值百分比参数和激活值离群值百分比参数对剪枝模型进7[0034]图2a为本发明基于双级剪枝和自适应量化的轻量化火灾检测方法实施例的特征[0035]图2b为本发明基于双级剪枝和自适应量化的轻量化火灾检测方法实施例的特征[0036]图2c为本发明基于双级剪枝和自适应量化的轻量化火灾检测方法实施例的特征[0037]图3为本发明基于双级剪枝和自适应量化的轻量化火灾检测方法实施例的火灾检[0038]图4为本发明基于双级剪枝和自适应量化的轻量化火灾检测方法实施例的可融合8[0045]如图3所示，上述主干分支中输入特征图依次经过第一卷积层和批归一化层输出9v的卷积核(卷积核矩阵内数值均为)，为在w四周补0生成一个尺寸操作时，等于对应1×1卷积的偏置值；当特征图匹配操作为无操作或者平均池化b"均为0。[0063]综上该可融合分支卷积块结构通过数学线性计算融合为可融合分支卷积块可以在卷积神经网络模型中替换其普通卷积层，并不影响模型最终结[0068]步骤5、根据最终的权重离群值百分比参数和激活值离群值百分比参数对剪枝模型进行实际量化，实际量化后的模型为基于双级剪枝和自适应量化的轻量化火灾检测模[0069]步骤6、将待检测的火灾图像输入到基于双级剪枝和自适应量化的轻量化火灾检了满足火灾检测实时要求高的需求，此处选择SSD算法来构建用于火灾检测的卷积神经网模型以及利用现有技术轻量化后的模型进行对比，主要对比模型的检测精度和规模大小，[0074]根据表1的实验结果可知，双级剪枝可对模型进行有效压缩：与单独的通道级剪在保证性能不大幅下降的情况下将模型压缩到不到原本十分之一