融合权重与卷积核删减的SSD网络压缩

目标检测是计算机视觉领域中重要的研究方向.近几年,深度学习在基于视频的目标检测领域取得了突破性研究进展.深度学习强大的特征学习和特征表达能力,使其能够自动学习和提取相关特征并加以利用.然而,复杂的网络结构使得深度学习模型具有参数规模大、计算需求高、占用存储空间大等问题.基于深度神经网络的单发多框检测器(Single-shot Multi-box Detector 300,SSD300)能够对视频中的目标进行实时检测,但无法移植到嵌入式设备或移动终端以满足实际应用中的需求.为了解决该问题,文中提出了一种权重删减和卷积核删减融合的方法.首先,针对深度卷积神经网络模型权重参数过多导致模型过大的问题,采用权重删减的方法移除各卷积层中的冗余权重,确定各层权重的稀疏度;然后,针对卷积层计算量大的问题,根据各卷积层中的权重稀疏度对冗余卷积核进行删减,以减少冗余参数和计算量;最后,对删减后的神经网络进行训练,以恢复其检测精度.为验证该方法的有效性,在卷积神经网络框架caffe平台上对SSD网络模型进行验证.结果表明,压缩加速后的SSD300网络模型的大小为12.5 MB,检测速度最高可达50 FPS(frames per second).实验实现了在网络检测准确率下降尽量小的前提下,将SSD300网络压缩了8.4×,加速了2×.权重删减和卷积核删减融合的方法为SSD300网络在视频检测中的智能化应用提供了可行性方案.