(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210157362.6 (22)申请日 2022.02.21 (71)申请人 沈阳理工大 学 地址 110159 辽宁省沈阳市 浑南新区南屏 中路6号 (72)发明人 张德育　刘猛　康鑫英　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 专利代理师 梁焱 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于压缩SSD的低空飞行物检测方法 (57)摘要 本发明提供一种基于压缩SSD的低空飞行物 检测方法， 涉及目标检测技术领域。 本发明采用 通道剪枝算法对模型加以压缩， 提高模型的检测 速度。 首先， 在基础模型中添加批量归一化层， 为 各通道引入比例因子。 然后， 联合训练比例因子， 使其数值与通道的重要性相关联。 最后， 通过衡 量比例因子大小， 判断通道重要性， 剪除重要性 低的通道。 压缩后的模型各方面性能均优于原模 型， 模型网络 结构更加精炼， 体积大大降低， 运行 的速度也更快， 会得到更高的检测速度。 本发明 所采用的通道剪枝方法对各个通道的重要性进 行了衡量， 以保证被剪除的通道对模 型的精度影 响较小， 因此， 优化后的模型精度与原模型精度 接近。 权利要求书2页 说明书6页 附图6页 CN 114529806 A 2022.05.24 CN 114529806 A 1.一种基于压缩SSD的低空飞行物检测方法， 其特征在于： 将基础的SSD网络模型采用 通道剪枝算法加以压缩后， 进行低空飞行物的检测， 具体方法为： 步骤1： 在SSD模型中添加批量归一化层， 即BN层， 对SSD目标检测模型内部隐藏层输入 的数据进行批量归一 化处理； 步骤2： 采用L1正则化方法， 以衡量通道重要性的因素作为正则化方法的目标参数， 将 正则化项加入SSD模 型的损失函数中， 从而实现对SSD模型的内部通道进 行稀疏化处理的作 用； 步骤3： 在SSD模型中引入比例因子优化损失函数， 对模型中各个通道的重要性进行衡 量； 选用BN层的γ参数作为各个通道 的比例因子； 将比例因子与通道输出相乘， 作为通道 的最终输出， 对网络权重与比例因子进行联合训练； 在训练的过程中， 当比例因子取零时， 实现对目标检测模型中的通道自动进行剪枝的效果； 对比例因子进行稀疏正则化处理， 使 其整体数值逼近 于零， 其中部分数值归零， 实现化简模型的效果； 步骤4： 以vgg16作为基础网络， 构建SSD模型的具体网络结构， 并在模型的激活层后添 加BN层， 以BN层中的参数γ作为各个通道的比例因子， 并设置正则化项的惩罚因子、 初始学 习率和Batc h_Size， 基于低空飞行物数据集， 使用随机梯度下降算法对 模型进行训练； 步骤5： 针对训练后获得的稀疏模型， 确定剪枝率， 获得对应的数值作为全局修剪阈值， 通过该阈值对S SD模型中的各 条通道进行衡量， 剪除重要性低的通道， 获得压缩S SD模型； 步骤6： 输入待检测的视频名称， 运行压缩SSD模型对视频中的低空飞行目标进行检测； 首先在压缩SSD模型的命令窗口中输入视频的存放地址， 然后运行压缩SSD模型， 对视频进 行检测。 2.根据权利要求1所述的基于压缩SSD的低空飞行物检测方法， 其特征在于： 所述BN层 参考权值共享策略， 以通道为范围， 对输入数据进行如下处 理： 其中， x代表SSD模型中间层输入特征图的均值； xi代表第i张特征图的均值； m代表输入 的一个小批量内所包含的特征图数量； 代表输入的中间值； Zin代表单一通道的输入值； Zout代表单一通道的输出值； μB代表输入的一个小批量内数据的平均值； σB代表输入的一个 小批量内数据的标准差； γ代表单一通道的缩放参数； β 代表单一通道的平移 参数； ε是为防 止除以零而引入的极小量； γ和β 作为BN层引入的可训练的仿射变换参数， γ的初始 值为1， β 的初始值 为0， 在模型训练的过程中， γ和β 与权 重参数一样不断进行 学习优化。 3.根据权利要求2所述的基于压缩SSD的低空飞行物检测方法， 其特征在于： 所述步骤3 中SSD模型的新损失函数L如下 所示：权　利　要　求　书 1/2 页 2 CN 114529806 A 2其中， N代表与真实框匹配的默认框数量； α代表SSD模型内部的权重因子； Lconf代表SSD 模型进行检测时的分类损失； Lloc代表SSD模型检测时的定位损失； λ为惩罚因子； γ为比例 因子； α用于调整分类损失与定位损失之间的比例， 其值默认为1； g(γ)是为稀疏化比例因 子而引入的惩罚函数， g(γ)＝|γ|。 4.根据权利要求3所述的基于压缩SSD的低空飞行物检测方法， 其特征在于： 所述步骤5 中， 剪枝率 为70％。权　利　要　求　书 2/2 页 3 CN 114529806 A 3