基于卷积核剪枝的遥感目标检测模型压缩方法*
2021-03-24韩要昌李宇环
火力与指挥控制 2021年2期
韩要昌,王 洁,鲁 力,李宇环
(空军工程大学防空反导学院,西安 710051)
0 引言
在现代战争中,制信息权逐渐成为取胜的重要因素[1]。近年来,随着卫星、无人机等空天观测平台的迅速发展与普及,遥感技术在军事情报的获取中发挥着越来越重要的作用[2]。近年来,深度神经网络的重要分支——卷积神经网络异军突起,学术界提出了许多高性能的卷积神经网络模型[3-6],在图像分类、目标检测和目标识别等任务中得到了广泛应用[7-10]。卷积神经网络在图像处理的巨大优势也为遥感图像中的目标检测提供了新的途径,学术界将卷积神经网络应用于遥感图像的解译,对遥感图像中的飞机检测[11]、舰船识别[12]和小目标检测[13]等问题进行了广泛研究。
同时,以卷积神经网络为代表的深度学习模型包含了巨量的参数,对设备的内存和计算能力要求较高,限制了其在无人机、移动端等边缘设备上的使用。因此,对深度学习模型的压缩成为当前的重要课题。Chen G 等[14]引入知识蒸馏方法进行了目标检测模型压缩的研究,将大型复杂深度学习模型的特征提取与选择能力作为“软目标”,引导小型简单网络的性能不断逼近该目标,从而将大型深度学习模型迁移到小型简单模型上;Howard A G 等[15]提出了深度可分离卷积,构建了紧凑的卷积神经网络MobileNet,有效减少了参数量和计算量;Denton E L 等[16]提出了一种针对卷积神经网络的低秩分解方法,采用奇异值分解将卷积神经网络的权值矩阵分解为较小的近似矩阵乘积,以减少运算量。……
登录APP查看全文
