CN112464718B - 一种基于YOLO-Terse网络的目标检测方法及存储介质 - Google Patents
一种基于YOLO-Terse网络的目标检测方法及存储介质 Download PDFInfo
- Publication number
- CN112464718B CN112464718B CN202011147652.XA CN202011147652A CN112464718B CN 112464718 B CN112464718 B CN 112464718B CN 202011147652 A CN202011147652 A CN 202011147652A CN 112464718 B CN112464718 B CN 112464718B
- Authority
- CN
- China
- Prior art keywords
- network
- yolov3
- yolo
- terse
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000013138 pruning Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000013140 knowledge distillation Methods 0.000 claims abstract description 23
- 238000011084 recovery Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000007906 compression Methods 0.000 description 13
- 230000006835 compression Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLO‑Terse网络的目标检测方法，包括：获取包含待检测目标的待检测图像；将待检测图像输入预先训练的YOLO‑Terse网络，根据待检测图像的特征确定待检测目标所属的类别，以及待检测目标在待检测图像中位置；其中，YOLO‑Terse网络是在YOLOv3网络基础上，采用层级和通道级剪枝，再结合知识蒸馏引导网络恢复后形成的。本发明通过对YOLOv3进行层剪枝、稀疏化训练、通道剪枝，以及知识蒸馏处理，并选取优化的处理参数，得到精简的YOLO‑Terse网络，该网络体积大幅缩小，摒除了大部分的冗余计算，基于该网络的目标检测速度得到大幅度的提升，而且能够维持检测的精度。
Description
技术领域
本发明属于目标检测方法技术领域，具体涉及一种基于YOLO-Terse网络的目标检测方法及存储介质。
背景技术
目标检测能够对图像或视频中的物体进行准确分类和定位，在监控、无人驾驶、机械自动化等领域中起着至关重要的作用。
在如今较为主流目标检测框架中，YOLOv3网络在检测速度和精度的平衡性方面表现较好，人们不断在各种领域使用YOLOv3网络实现目标检测功能。然而原始的YOLOv3网络并不能在各种数据集下均表现出色，尤其是当需要进行检测目标的种类比较少时，如检测校园中行人、车辆等情况时，使用现有的YOLOv3网络就会存在冗余，增加不必要的计算量，降低目标检测的速度；尤其将YOLOv3网络部署在边缘设备上使用时，通过简化YOLOv3网络模型来进行提速显得尤为重要。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于YOLO-Terse网络的目标检测方法及存储介质。本发明要解决的技术问题通过以下技术方案实现：
第一方面，本发明提供了一种基于YOLO-Terse网络的目标检测方法，包括：
获取包含待检测目标的待检测图像；
将所述待检测图像输入预先训练的YOLO-Terse网络，根据所述待检测图像的特征确定所述待检测目标所属的类别，以及待检测目标在所述待检测图像中位置；
其中，所述YOLO-Terse网络是在YOLOv3网络基础上，采用层级和通道级剪枝，再结合知识蒸馏引导网络恢复后形成的。
在本发明的一个实施例中，所述YOLO-Terse网络是在YOLOv3网络基础上，采用层级和通道级剪枝，再结合知识蒸馏引导网络恢复后形成的；包括：
将YOLOv3网络中的残差模块单元进行层剪枝，得到YOLOv3-1网络；
将所述YOLOv3-1网络进行稀疏化训练，得到了BN层缩放系数稀疏分布的YOLOv3-2网络；
将所述YOLOv3-2网络进行通道剪枝，删除不重要的通道，得到YOLOv3-3网络；
将所述YOLOv3-3网络进行知识蒸馏，得到YOLO-Terse网络。
在本发明的一个实施例中，所述将YOLOv3网络中的残差模块单元进行层剪枝，得到YOLOv3-1网络；包括：
将YOLOv3网络中组成每个残差模块的残差模块单元的数量由X个剪枝为Y个，得到YOLOv3-1网络；其中，X、Y均为自然数，且Y＜X。
在本发明的一个实施例中，所述将所述YOLOv3-1网络进行稀疏化训练，得到了BN层缩放系数稀疏分布的YOLOv3-2网络；包括：
将所述YOLOv3-1网络进行稀疏化训练，训练过程中，为缩放因子γ添加稀疏正则化，稀疏训练的损失函数为：
其中，表示网络原始的损失函数，(x,y)表示训练过程的输入数据和目标数据，W表示可训练的权重，/>为比例系数添加的正则项，g(γ)是对比例系数进行稀疏训练的惩罚函数，λ为权重。
在本发明的一个实施例中，所述将所述YOLOv3-2网络进行通道剪枝，删除不重要的通道，得到YOLOv3-3网络；包括：
在所有层的所有通道中设定一个通道剪枝比例，然后将所述YOLOv3-2网络中所有的BN层缩放系数按照升序排列，按所述通道剪枝比例剪掉排在前面的BN层缩放系数对应的通道。
在本发明的一个实施例中，所述通道剪枝比例为50％。
在本发明的一个实施例中，所述将所述YOLOv3-3网络进行知识蒸馏，得到YOLO-Terse网络；包括：
对所述YOLOv3-3网络引入知识蒸馏，将所述YOLOv3网络作为老师网络，所述YOLOv3-3网络作为学生网络，由老师网络引导学生网络进行精度恢复和调整，得到YOLO-Terse网络。
在本发明的一个实施例中，所述将所述YOLOv3网络作为老师网络，所述YOLOv3-3网络作为学生网络进行知识蒸馏；包括：
将YOLOv3网络的Softmax层之前的输出结果除以温度系数，来使得教师网络最终输出的预测值软化，而后学生网络利用软化后的预测值作为标签来辅助训练所述YOLOv3-3网络，最终实现所述YOLOv3-3网络的精度与和YOLOv3网络相当；其中，所述温度系数是预先设定的值，不随网络训练发生变化。
在本发明的一个实施例中，所述预先训练的YOLO-Terse网络是根据样本图像，以及所述样本图像对应目标的属性信息训练得到的。
第二方面，本发明提供了一种存储介质，所述存储有计算机程序，所述计算机程序被处理器执行时实现上面任一项所述的基于YOLO-Terse网络的目标检测方法。
本发明的有益效果：
本发明基于YOLO-Terse网络的目标检测方法，通过对原始的YOLOv3进行层剪枝、稀疏化训练、通道剪枝，以及知识蒸馏处理，并在各个处理过程选取优化的处理参数，得到精简的YOLO-Terse网络，该网络体积大幅缩小，摒除了大部分的冗余计算，基于该网络的目标检测速度得到大幅度的提升，而且能够维持检测的精度。尤其在应用于待检测种类较少的场景时，既能保证检测的精度，又能大幅提高检测的速度。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于YOLO-Terse网络的目标检测方法流程示意图；
图2是本发明实施例提供的一种基于YOLO-Terse网络的目标检测方法的YOLO-Terse网络的构建流程示意图；
图3是本发明实施例提供的一种基于YOLO-Terse网络的目标检测方法的稀疏化训练参数组合的权重分布情况图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
请参见图1，图1是本发明实施例提供的一种基于YOLO-Terse网络的目标检测方法流程示意图，本发明实施例的基于YOLO-Terse网络的目标检测方法，包括步骤：
S1、获取包含待检测目标的待检测图像。
具体的，该待检测图像可以为单独的一张图片，也可以为从一段视频中截取的一帧图片。待检测目标可以为大型目标，如高楼、树、建筑等，还可以为小型目标，如人、车、动物等。
在一具体实施例中，该待检测目标为动态目标，例如行走中的人、车、狗等；在其他实施例中，该待检测目标该可以为静态目标，例如树、高楼等。可以理解的，动态目标与静态目标是相对于不同的参照物而言的，在此不作限定。
此外，需要说明的是，为了实现更精准的检测，本发明的该待检测图像优选为包含特征种类较少的图像，比如，主要包含行人和车辆的学校校园道路的图像；主要包含行人和体育器材的学校操场的图像；又或者用于工业缺陷检测时的产品图像；以及用于工地人员是否规范着装的安全检测图像。
S2、将待检测图像输入预先训练的YOLO-Terse网络，根据待检测图像的特征确定待检测目标所属的类别，以及待检测目标在待检测图像中位置。
其中，YOLO-Terse网络是在YOLOv3网络基础上，采用层级和通道级剪枝，再结合知识蒸馏引导网络恢复后形成的。预先训练的YOLO-Terse网络是根据样本图像，以及样本图像对应目标的属性信息训练得到的。
请参见图2，图2是本发明实施例提供的一种基于YOLO-Terse网络的目标检测方法的YOLO-Terse网络的构建流程示意图。
作为一种实施方式，如图2所示，YOLO-Terse网络是在YOLOv3网络基础上，采用层级和通道级剪枝，再结合知识蒸馏引导网络恢复后形成的，包括：
S21、将YOLOv3网络中的残差模块单元进行层剪枝，得到YOLOv3-1网络。
通常在对YOLOv3网络简化处理过程中会直接进行通道剪枝，但是在实验中发现，仅通过通道剪枝仍难达到速度快速提升的效果。因此在通道剪枝前加入了层剪枝的处理过程。
具体的，层剪枝处理过程为：将YOLOv3网络中组成每个残差模块的残差模块单元的数量由X个剪枝为Y个，得到YOLOv3-1网络；其中，X、Y均为自然数，且Y＜X。优选为Y＝1/2X。经过层剪枝，YOLOv3网络结构得到简化，同时网络的参数量和运算量减小接近一半，提速明显。
S22、将YOLOv3-1网络进行稀疏化训练，得到了BN层缩放系数稀疏分布的YOLOv3-2网络。
将YOLOv3-1网络进行稀疏化训练，为YOLOv3-1网络的每个通道引入一个比例系数γ，使得每一个通道的输出大小可以由这个比例系数控制。为了让大部分比例系数γ都接近于0，需要在训练过程中，为γ添加稀疏正则化。稀疏训练的损失函数为：
其中，表示网络原始的损失函数，(x,y)表示训练过程的输入数据和目标数据，W表示可训练的权重，/>为比例系数添加的正则项，g(γ)是对比例系数进行稀疏训练的惩罚函数，λ为权重。由于要使得比例系数γ具有稀疏性，惩罚函数选择L1范数。同时，由于不知道后一项所占比重，引入λ参数进行调整。
由于λ的取值与稀疏训练的收敛速度相关，本发明实施例的应用场景为待检测目标种类数量较少，所以λ的取值可以选取较大的λ值，稀疏训练的收敛速度也不会很慢，同时也可以通过提高模型学习率的方法来进一步加快收敛；但是考虑到参数选取过大又会对网络模型的精度造成一定的损失，最后确定将学习率为0.1×，λ为1×的组合作为稀疏化训练的优选参数组合。
请参加图3，图3是本发明实施例提供的一种基于YOLO-Terse网络的目标检测方法的稀疏化训练参数组合的权重分布情况图，其中图3(a)是权重偏移图，图3(b)是权重交叠图。如图3所示，本发明实施例优选的较小的学习率与较大的权重的组合对于系数训练过后的权重的分布更有利，且网络模型的精度也较高。
S23、将YOLOv3-2网络进行通道剪枝，删除不重要的通道，得到YOLOv3-3网络。
在稀疏化训练之后，得到了一个BN层缩放系数稀疏分布的网络模型，这就便于确定哪些通道的重要性更小。由此，可以剪去这些不太重要的通道，剪枝的方法是删除传入和传出连接以及相应的权重。
对网络进行通道剪枝操作，修剪一个通道基本上对应于删除该通道的所有传入和传出连接，可以直接获得一个轻量化的网络，而不需要使用任何特殊的稀疏计算包。通道剪枝过程中，缩放因子充当频道选择的代理；由于它们与网络权重共同优化，因此网络可以自动识别无关紧要的通道，这些通道可以安全地移除而不会极大地影响泛化性能。
具体的，针对YOLOv3-2网络，在所有层的所有通道中设定一个通道剪枝比例，然后将YOLOv3-2网络中所有的BN层缩放系数按照升序排列，按通道剪枝比例剪掉排在前面的BN层缩放系数对应的通道。通过通道剪枝，可以删去冗余的通道，减少计算量，加快目标检测的速度。
但是在通道剪枝后，可能会由于参数减少而带来一些精度的下降，从不同的剪枝比例对网络精度的影响进行分析，如果网络剪枝比例过大，网络体积压缩更多，但也会造成网络精度的剧烈下降，由此需要进行一个网络压缩比例与压缩后网络精度的权衡。
作为一种优选方式，对YOLOv3-2网络的通道剪枝比例为50％。通道剪枝之所以选择50％是因为：
对不同通道剪枝比例压缩后的模型的及精度进行仿真，得到AP和mAP图像。
由于待检测图像中数量较少的种类在网络压缩过程中受到影响就比较大，这就会直接影响mAP，因此，要从数据集和网络压缩比例方面来考虑。对数据集的处理，本发明的实施例选择合并数量较少的种类来使得不同种类的数量达到均衡，或者是直接采用种类分布更加均衡的数据集，这与本发明实施例的应用场景相吻合。另外就是控制压缩比例，保证数量较少的种类的预测精度不会下降太多。根据mAP仿真结果来看，50％-60％的压缩比例是精度变化的转折点，因此可以初步选择50％的压缩比例。
除了从精度来分析压缩的影响外，还要考虑目标检测时间和模型压缩比例的关系，通过对不同剪枝比例处理的网络模型不同平台上(在Tesla V100服务器和Jetson TX2边缘设备)的运行时间进行仿真，根据仿真结果可以发现，不同网络压缩比例对于网络推测的时间影响很微弱，而对于NMS(非极大值抑制)所需时间影响较大，在压缩比例达到50％之前，检测速度随着网络压缩而加快，但是压缩比例超过50％后，检测速度反而出现了减慢。由此，最终选定通道剪枝比例为50％。
S24、将YOLOv3-3网络进行知识蒸馏，得到YOLO-Terse网络。
经过剪枝，获得了一个更为紧凑的YOLOv3-3网络模型，然后需要进行微调使得精度恢复。这里引入了知识蒸馏的策略。
具体的，对YOLOv3-3网络引入知识蒸馏，将YOLOv3网络作为老师网络，YOLOv3-3网络作为学生网络，由老师网络引导学生网络进行精度恢复和调整，得到YOLO-Terse网络。
作为一种优选的实施方式，将YOLOv3网络的Softmax层之前的输出结果除以温度系数，来使得教师网络最终输出的预测值软化，而后学生网络利用软化后的预测值作为标签来辅助训练YOLOv3-3网络，最终实现YOLOv3-3网络的精度与和YOLOv3网络相当；其中，温度系数是预先设定的值，不随网络训练发生变化。
引入温度参数T的原因是，一个完成训练、精度很高的网络对于输入数据的分类结果，和真实的标签是基本一致的。以三分类为例，真实已知的训练类别标签是[1,0,0]，预测结果可能会是[0.95,0.02,0.03]，和真实的标签值是非常逼近的。因此，对于学生网络来讲，使用教师网络的分类结果辅助训练和直接利用数据进行训练，差别不大。温度参数T可以用来控制预测标签的软化程度，即可以增加教师网络分类结果的偏差。
将添加了知识蒸馏策略的微调过程和一般的微调过程进行对比，经过知识蒸馏调整恢复的网络精度比原始的YOLOv3网络更高。
因此，本发明实施例提供的基于YOLO-Terse网络的目标检测方法，通过对原始的YOLOv3进行层剪枝、稀疏化训练、通道剪枝，以及知识蒸馏处理，并在各个处理过程选取优化的处理参数，得到精简的YOLO-Terse网络。于该网络体积大幅缩小，摒除了大部分的冗余计算，基于该网络的目标检测速度得到大幅度的提升，而且能够维持检测的精度。尤其在应用于待检测种类较少的场景时，既能保证检测的精度，又能大幅提高检测的速度。
本发明实施例还提供了一种存储介质，该存储介质存储有计算机程序，计算机程序被处理器执行时实现上面任一的基于YOLO-Terse网络的目标检测方法。
下面结合具体的应用场景对本发明提供的基于YOLO-Terse网络的目标检测方法的检测过程及仿真结果进行说明。
选取西安某校园内道路的监控视频，按照不同时间段、不同天气类型选择多幅图片作为样本，并对样本进行手动标注，标注后的图片作为训练样本。
对网络模型进行简化操作：
S31、将YOLOv3网络中的残差模块单元进行层剪枝，得到YOLOv3-1网络。
S32、将YOLOv3-1网络进行稀疏化训练，得到了BN层缩放系数稀疏分布的YOLOv3-2网络。
S33、将YOLOv3-2网络进行通道剪枝，删除不重要的通道，得到YOLOv3-3网络。
S34、将YOLOv3-3网络进行知识蒸馏，得到YOLO-Terse网络。
各步骤的具体过程与上述相同，在此不再赘述。
将得到的YOLO-Terse网络移植到边缘设备上进行训练和测试。边缘设备可以是校园道路的监控设备，也可以是无人机、机器人、行人的手机，或者道路车辆上的行车记录仪等终端设备。训练过程采用前述进行标注的训练样本训练；测试过程输入采集的包含待检测目标的待检测图像。
对基于YOLO-Terse网络的检测性能进行仿真，边缘设备选择搭载Jetson TX2模块的无人机，并和基于原始YOLOv3网络的检测性能进行对比，如表1所示。
表1基于YOLO-Terse网络和基于原始YOLOv3网络的检测性能对比
| 网络名称 | 模型体积 | 检测精度mAP | 检测时间Time(Jetson TX2) |
| YOLOv3 | 236M | 0.73 | 214.1ms |
| YOLO-Terse | 42M | 0.825 | 101.5ms |
从表1可以看出，基于YOLO-Terse网络的目标检测方法，相比于原始YOLOv3网络，模型体积减小82％，检测速度提升53％，检测的精度不但没有下降，而且还提升13％。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于YOLO-Terse网络的目标检测方法，其特征在于，包括：
获取包含待检测目标的待检测图像；
将所述待检测图像输入预先训练的YOLO-Terse网络，根据所述待检测图像的特征确定所述待检测目标所属的类别，以及待检测目标在所述待检测图像中位置；
其中，所述YOLO-Terse网络是在YOLOv3网络基础上，采用层级和通道级剪枝，再结合知识蒸馏引导网络恢复后形成的；包括：
将YOLOv3网络中的残差模块单元进行层剪枝，得到YOLOv3-1网络；层剪枝处理过程为：将YOLOv3网络中组成每个残差模块的残差模块单元的数量由X个剪枝为Y个，得到YOLOv3-1网络；其中，X、Y均为自然数，且Y＝1/2X；
将所述YOLOv3-1网络进行稀疏化训练，得到了BN层缩放系数稀疏分布的YOLOv3-2网络；
将所述YOLOv3-2网络进行通道剪枝，删除不重要的通道，得到YOLOv3-3网络；包括：在所有层的所有通道中设定一个通道剪枝比例，然后将所述YOLOv3-2网络中所有的BN层缩放系数按照升序排列，按所述通道剪枝比例剪掉排在前面的BN层缩放系数对应的通道；所述通道剪枝比例为50％；
将所述YOLOv3-3网络进行知识蒸馏，得到YOLO-Terse网络。
2.根据权利要求1所述的基于YOLO-Terse网络的目标检测方法，其特征在于，所述将所述YOLOv3-1网络进行稀疏化训练，得到了BN层缩放系数稀疏分布的YOLOv3-2网络；包括：
将所述YOLOv3-1网络进行稀疏化训练，训练过程中，为缩放因子γ添加稀疏正则化，稀疏训练的损失函数为：
其中，表示网络原始的损失函数，(x,y)表示训练过程的输入数据和目标数据，W表示可训练的权重，/>为比例系数添加的正则项，g(γ)是对比例系数进行稀疏训练的惩罚函数，λ为权重。
3.根据权利要求1所述的基于YOLO-Terse网络的目标检测方法，其特征在于，所述将所述YOLOv3-3网络进行知识蒸馏，得到YOLO-Terse网络；包括：
对所述YOLOv3-3网络引入知识蒸馏，将所述YOLOv3网络作为老师网络，所述YOLOv3-3网络作为学生网络，由老师网络引导学生网络进行精度恢复和调整，得到YOLO-Terse网络。
4.根据权利要求3所述的基于YOLO-Terse网络的目标检测方法，其特征在于，所述将所述YOLOv3网络作为老师网络，所述YOLOv3-3网络作为学生网络进行知识蒸馏；包括：
将YOLOv3网络的Softmax层之前的输出结果除以温度系数，来使得教师网络最终输出的预测值软化，而后学生网络利用软化后的预测值作为标签来辅助训练所述YOLOv3-3网络，最终实现所述YOLOv3-3网络的精度与和YOLOv3网络相当；其中，所述温度系数是预先设定的值，不随网络训练发生变化。
5.根据权利要求1所述的基于YOLO-Terse网络的目标检测方法，其特征在于，所述预先训练的YOLO-Terse网络是根据样本图像，以及所述样本图像对应目标的属性信息训练得到的。
6.一种存储介质，其特征在于，所述存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1～5任一项所述的基于YOLO-Terse网络的目标检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011147652.XA CN112464718B (zh) | 2020-10-23 | 2020-10-23 | 一种基于YOLO-Terse网络的目标检测方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011147652.XA CN112464718B (zh) | 2020-10-23 | 2020-10-23 | 一种基于YOLO-Terse网络的目标检测方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112464718A CN112464718A (zh) | 2021-03-09 |
| CN112464718B true CN112464718B (zh) | 2024-02-20 |
Family
ID=74834173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011147652.XA Active CN112464718B (zh) | 2020-10-23 | 2020-10-23 | 一种基于YOLO-Terse网络的目标检测方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112464718B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128355A (zh) * | 2021-03-29 | 2021-07-16 | 南京航空航天大学 | 一种基于通道剪枝的无人机图像实时目标检测方法 |
| CN113222142A (zh) * | 2021-05-28 | 2021-08-06 | 上海天壤智能科技有限公司 | 一种通道剪枝和快捷连接层剪枝方法及系统 |
| CN113570571A (zh) * | 2021-07-27 | 2021-10-29 | 深圳大学 | 一种工业边缘端动力电池缺陷检测方法及系统 |
| CN113771027B (zh) * | 2021-08-17 | 2023-03-31 | 浙江工业大学 | 一种基于深度学习的双臂协作抓取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
| CN110895714A (zh) * | 2019-12-11 | 2020-03-20 | 天津科技大学 | 一种YOLOv3的网络压缩方法 |
| CN111444760A (zh) * | 2020-02-19 | 2020-07-24 | 天津大学 | 一种基于剪枝与知识蒸馏的交通标志检测与识别方法 |
| CN111626330A (zh) * | 2020-04-23 | 2020-09-04 | 南京邮电大学 | 基于多尺度特征图重构和知识蒸馏的目标检测方法与系统 |
| CN111709489A (zh) * | 2020-06-24 | 2020-09-25 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
-
2020
- 2020-10-23 CN CN202011147652.XA patent/CN112464718B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
| CN110895714A (zh) * | 2019-12-11 | 2020-03-20 | 天津科技大学 | 一种YOLOv3的网络压缩方法 |
| CN111444760A (zh) * | 2020-02-19 | 2020-07-24 | 天津大学 | 一种基于剪枝与知识蒸馏的交通标志检测与识别方法 |
| CN111626330A (zh) * | 2020-04-23 | 2020-09-04 | 南京邮电大学 | 基于多尺度特征图重构和知识蒸馏的目标检测方法与系统 |
| CN111709489A (zh) * | 2020-06-24 | 2020-09-25 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112464718A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112464718B (zh) | 一种基于YOLO-Terse网络的目标检测方法及存储介质 | |
| CN107945204B (zh) | 一种基于生成对抗网络的像素级人像抠图方法 | |
| CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
| CN111046980B (zh) | 一种图像检测方法、装置、设备及计算机可读存储介质 | |
| CN107636690B (zh) | 基于卷积神经网络的全参考图像质量评估 | |
| CN112380921A (zh) | 一种基于车联网的道路检测方法 | |
| CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
| CN107909084A (zh) | 一种基于卷积‑线性回归网络的雾霾浓度预测方法 | |
| CN116563738A (zh) | 一种基于不确定性的多阶段引导的小目标半监督学习检测方法 | |
| CN111126278A (zh) | 针对少类别场景的目标检测模型优化与加速的方法 | |
| CN111368634B (zh) | 基于神经网络的人头检测方法、系统及存储介质 | |
| CN112132005A (zh) | 一种基于聚类分析与模型压缩的人脸检测方法 | |
| CN113822153A (zh) | 一种基于改进DeepSORT算法的无人机跟踪方法 | |
| CN108133235A (zh) | 一种基于神经网络多尺度特征图的行人检测方法 | |
| CN112668638A (zh) | 一种图像美学质量评估和语义识别联合分类方法及系统 | |
| CN112288700A (zh) | 一种铁轨缺陷检测方法 | |
| CN112380985A (zh) | 变电站入侵异物实时检测方法 | |
| Wang | A survey on IQA | |
| Malav et al. | DHSGAN: An end to end dehazing network for fog and smoke | |
| CN116310328A (zh) | 基于跨图像相似度关系的语义分割知识蒸馏方法及系统 | |
| CN115761888A (zh) | 基于nl-c3d模型的塔吊操作人员异常行为检测方法 | |
| CN111242134A (zh) | 一种基于特征自适应学习的遥感影像地物分割方法 | |
| CN114758199A (zh) | 检测模型的训练方法、装置、设备和存储介质 | |
| CN118096922A (zh) | 一种基于风格迁移和遥感影像生成地图的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |