融合特征通道重要性与相似性的深度YOLO网络压缩方法

摘要

基于深度YOLO网络的目标检测方法网络结构复杂、冗余参数过多、计算量大，极大影响模型检测性能。针对此问题，从降低网络中低效通道和冗余通道的影响出发，提出了一种融合特征通道重要性与相似性的深度YOLO网络压缩方法，基于深度网络压缩中的网络剪枝思路，采用2次剪枝剪去低效及冗余特征通道。构建通道重要性计算方法，将稀疏因子作为通道效能计算指标，结合剪枝率剪去低效通道；根据通道间存在的线性关系计算其相似度，对相似度较高的通道进行替代，剪去相似度较大的通道；微调模型参数，恢复剪枝前的检测精度。仿真实验表明，同当前性能较优的深度网络压缩方案相比，提出的方法在保证目标检测精度的同时极大减小了模型尺寸、提升了检测速度，方法可行、有效。

关键词

深度学习 / 目标检测 / YOLO网络 / 特征通道

基金资助

国家重点研发计划项目(2018YFC0808305); 海南省自然科学基金项目(722RC740); 重庆市自然科学基金面上项目(cstc2021jcyj-msxmX0849)