一种基于卷积神经网络的红外图像目标检测网络压缩方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113989631A(43)申请公布日2022.01.28(21)申请号202111012618.6G06N3/08(2006.01)(22)申请日2021.08.31(71)申请人上海航天控制技术研究所地址201109上海市闵行区中春路1555号(72)发明人杨俊彦陈海宝陈杰钮赛赛朱婧文(74)专利代理机构中国航天科技专利中心11009代理人胡健男(51)Int.Cl.G06V20/10(2022.01)G06V10/764(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书1页说明书15页附图3页(54)发明名称一种基于卷积神经网络的红外图像目标检测网络压缩方法(57)摘要本发明公开了一种基于卷积神经网络的红外图像目标检测网络压缩方法，属于红外图像识别领域。本方法以卷积神经网络为核心，建立一种红外图像目标检测的网络模型压缩框架，网络模型包含了多级特征融合的模块，使小目标检测时能够拥有高分辨率特征的同时保留了浅层的特征信息，使网络模型多红外飞行器目标具有更高泛化能力。在模型训练过程中采用轻量化网络模型处理技术，将网络模型卷积层中权重参数和特征值参数进行定点量化处理，得到识别精度高、资源占用少的检测模型。本发明方法已在红外飞行器目标数据集中完成训练和测试，能够高效检测小尺度红外图像中的飞行器目标。CN113989631ACN113989631A权利要求书1/1页1.一种基于卷积神经网络的红外图像目标检测网络压缩方法，其特征在于步骤如下：步骤1，采集不同气候环境下、不同背景下和不同干扰下飞行器红外图像，对每个飞行器红外图像进行属性标定，形成红外图像数据集，分成训练图像集和测试图像集；由标定的属性，确定飞行器红外图像的特征值，作为特征真值；步骤2，使用图像样本，训练卷积神经网络模型，得到初始化的卷积神经网络模型；步骤3，读取训练图像集的图像，训练步骤2初始化的卷积神经网络模型，通过反向传播方式更新卷积神经网络模型中卷积核权重，以降低训练后的卷积神经网络模型输出的飞行器红外图像的特征值与步骤1确定的特征真值的误差；当该误差小于设定的误差阈值，则停止训练；在训练过程中对初始化的卷积神经网络模型进行网络模型参数轻量化，得到轻量化的卷积神经网络模型；步骤4，读取测试图像集中的图像，将测试图像集中的图像输入到步骤3轻量化的卷积神经网络模型中，得到飞行器的类型以及在图像中的位置。2.根据权利要求1所述的一种基于卷积神经网络的红外图像目标检测网络压缩方法，其特征在于：未经轻量化的卷积神经网络模型占用较多存储空间和计算资源，进行网络模型参数轻量化，通过在训练过程中将步骤2初始化的卷积神经网络模型参数中的浮点参数转化为定点参数，减少网络模型工作所占用的资源，进而达到网络轻量化的目标。3.根据权利要求1所述的一种基于卷积神经网络的红外图像目标检测网络压缩方法，其特征在于：步骤3网络模型参数轻量化，包括在训练中将步骤2初始化的卷积神经网络模型参数中的浮点参数转化为定点参数，以及将步骤2初始化的卷积神经网络模型中每个卷积层输出的图像特征值由浮点参数转化为定点参数，得到轻量化的卷积神经网络模型，为精度较高的目标检测网络。4.根据权利要求1所述的一种基于卷积神经网络的红外图像目标检测网络压缩方法，其特征在于：所述步骤(2)中，获取初始化的卷积神经网络模型的具体步骤为：将训练图像输入，于第一部分一层卷积层采用3×3的卷积核以获取特征图F1；对特征图进行池化操作，经过池化窗口大小为2×2的池化层，获取特征图F2；将特征图F2输入第三部分卷积层并获取第三部分特征图F3，以此类推以获取后续特征图输出。5.根据权利要求1所述的一种基于卷积神经网络的红外图像目标检测网络压缩方法，其特征在于：所述步骤(3)中：由训练集中随机选取图像进行训练，并通过卷积神经网络模型获取特征图；将提取后的特征图经过卷积层获取最终检测结果，包括目标位置、目标类别、置信度；计算损失函数，并通过梯度下降算法降低网络损失；加入多级特征融合模块，通过小目标检测层获取高分辨率特征图。6.根据权利要求1所述的一种基于卷积神经网络的红外图像目标检测网络压缩方法，其特征在于：所述步骤(3)中，通过修改卷积层结构，将卷积层的输入和权重量化为整型，大幅减少权重存储空间，提升卷积运算速度。2CN113989631A说明书1/15页一种基于卷积神经网络的红外图像目标检测网络压缩方法技术领域[0001]本发明一种基于卷积神经网络的红外图像目标检测网络压缩方法，属于计算机视觉和红外图像处理领域，可以应用在红外图像识别领域中。背景技术[0002]红外场景图像存在目标的