毛远宏,贺占庄,刘露露

(西安微电子技术研究所,710065,西安)

目前,基于深度学习的方法在目标跟踪领域得到了越来越多的应用,取得了很好的效果。但是,深度学习通常存在着参数过多和计算量过大的问题。目标跟踪任务在保证精度的前提下,通常也需要考虑到实时性要求。因此,如何让目标跟踪任务的深度模型在存储和计算资源有限的设备更快地运行,是一个迫切需要解决的问题。

目标跟踪中的神经网络模型主要是通过卷积网络来提取相应的特征。绝大部分的计算量和参数主要集中在卷积层。因此,如何减少卷积层的计算,是加快跟踪速度的重点。除了提高硬件的计算能力之外,还可以通过优化网络模型,减少跟踪网络的参数量和计算量,加快跟踪速度。

如何对于神经网络进行加速是目前业界研究的热点。在卷积层的加速上,采用更加轻量化的卷积结构替换传统的卷积结构是通常采用的办法。例如:SqueezeNet的Fire模块结构[1],GoogLeNet的Inception模块结构[2],MobileNet中的深度可分离卷积[3]等。深度可分离卷积是在目前轻量化网络中被广泛使用的一种卷积结构。它可以在不改变网络总体层次架构的情况下,将传统的卷积层依次替换为深度可分离卷积。通过在训练集上进行重新训练,通常能够有效地降低运算量和参数量。基于深度可分离卷积的跟踪网络,参数量和计算量已经进行了很大精简。在此基础上,如何采用网络剪枝的方法进一步加快运行速度,也更加具有挑战性。……