基于改進(jìn)快速區(qū)域卷積網(wǎng)絡(luò)的目標(biāo)檢測(cè)輕量化算法

　　摘要：基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法已成為合成孔徑雷達(dá)圖像目標(biāo)檢測(cè)任務(wù)的主流。深層網(wǎng)絡(luò)通常具有大量參數(shù)，運(yùn)行速度不能滿足實(shí)時(shí)要求，難以在資源受限的設(shè)備如移動(dòng)端上部署。考慮到對(duì)模型實(shí)時(shí)性和可移植性的要求，對(duì)雙階段目標(biāo)檢測(cè)算法快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行輕量化改進(jìn)，比較不同改進(jìn)方法對(duì)算法速度與精度的影響。結(jié)合合成孔徑雷達(dá)圖像的特點(diǎn)對(duì)輕量化模型進(jìn)行優(yōu)化，與單階段目標(biāo)檢測(cè)算法單脈沖多盒檢測(cè)網(wǎng)絡(luò)進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，改進(jìn)輕量化模型在保持原有精度水平下，模型占用內(nèi)存和算法運(yùn)算量大大減少，可有效滿足SAR圖像目標(biāo)檢測(cè)的實(shí)時(shí)性要求。

　　關(guān)鍵詞：目標(biāo)檢測(cè);快速卷積神經(jīng)網(wǎng)絡(luò);合成孔徑雷達(dá);量化算法;實(shí)時(shí)性

　　引言合成孔徑雷達(dá)[1](SAR)是利用飛行載體的運(yùn)動(dòng)將有限尺寸的天線單元等效為一個(gè)大孔徑虛擬天線，即合成孔徑原理，再經(jīng)過SAR成像算法計(jì)算獲取的距離向和方位向的目標(biāo)雷達(dá)圖像。SAR廣泛應(yīng)用于軍事偵察、地形測(cè)繪、海洋監(jiān)測(cè)、地質(zhì)環(huán)境勘探等領(lǐng)域。但AR圖像在應(yīng)用上還存在很多問題，由于SAR圖像成像特性不同于光學(xué)圖像，同樣的目標(biāo)信息在光學(xué)圖像和SAR圖像中表現(xiàn)完全不同，使閱讀SAR圖像變得困難，同時(shí)SAR圖像受背景環(huán)境的復(fù)雜性和目標(biāo)的多變性影響較大，對(duì)SAR圖像進(jìn)行信息提取和目標(biāo)檢測(cè)也就存在很多難點(diǎn)。

　　因此，對(duì)AR圖像檢測(cè)算法的研究變得極其重要，而且隨著SAR成像技術(shù)的發(fā)展，單幅圖像的特征信息數(shù)量隨分辨率的提高而增加，如何提高圖像檢測(cè)算法的效率和實(shí)時(shí)性成為AR圖像研究的重點(diǎn)。傳統(tǒng)SAR圖像目標(biāo)檢測(cè)算法可分為以下兩類：第一是基于統(tǒng)計(jì)檢測(cè)理論的恒虛警率目標(biāo)檢測(cè)算法，Sahal等[3]提到了基于貝葉斯理論首次將恒虛警率算法應(yīng)用于高斯背景雜波統(tǒng)計(jì)下的雷達(dá)信號(hào)檢測(cè)，Abbadi等[4]提到了進(jìn)一步將恒虛警率算法擴(kuò)展應(yīng)用于正態(tài)分布和韋布分布統(tǒng)計(jì)下的雷達(dá)信號(hào)檢測(cè)，使恒虛警率算法可應(yīng)用于多種背景雜波統(tǒng)計(jì)下的雷達(dá)圖像。

　　但基于背景雜波的統(tǒng)計(jì)特性并不能適應(yīng)背景雜波分布復(fù)雜、受斑點(diǎn)噪聲嚴(yán)重的情況，算法在復(fù)雜場(chǎng)景下的檢測(cè)性能還有待于進(jìn)一步提升。第二是基于尺寸、紋理、形狀等特征的目標(biāo)檢測(cè)方法，如擴(kuò)展分形特征、尺度不變特征變換、稀疏表示等，該方法能有效針對(duì)SAR圖像特征進(jìn)行提取，但存在運(yùn)算量大且效率低的問題。

　　近年來，隨著深度學(xué)習(xí)理論和計(jì)算機(jī)技術(shù)的發(fā)展，目標(biāo)檢測(cè)領(lǐng)域逐漸開始利用深度學(xué)習(xí)來做研究，其算法主要分為兩類：一類是由區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(RCNN)發(fā)展而來的兩階段目標(biāo)檢測(cè)算法，以快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(asterRCNN)為代表，第二類是以單脈沖多盒檢測(cè)網(wǎng)絡(luò)[1(SSD)為代表的單階段目標(biāo)檢測(cè)算法。對(duì)比兩種檢測(cè)算法，兩階段目標(biāo)檢測(cè)算法雖然精度較高，但需要多次運(yùn)行分類回歸流程，檢測(cè)實(shí)時(shí)性較差，而單階段目標(biāo)檢測(cè)算法可一次性進(jìn)行分類回歸，但同時(shí)誤檢率較高。本文針對(duì)雙階段目標(biāo)檢測(cè)算法檢測(cè)效率低、模型復(fù)雜的問題，選用針對(duì)算法缺陷和SAR圖像的特點(diǎn)，對(duì)FasterRCNN算法進(jìn)行優(yōu)化，以降低模型復(fù)雜度、提高檢測(cè)性能。最后與單階段檢測(cè)算法SSD進(jìn)行對(duì)比，并通過實(shí)驗(yàn)檢驗(yàn)優(yōu)化效果。

　　1目標(biāo)檢測(cè)算法

　　1.1Faster-RCNN算法原理

　　RCNN系列[1的目標(biāo)檢測(cè)算法有個(gè)基本步驟，分別是特征提取、候選區(qū)域生成、目標(biāo)分類和位置回歸。

　　從模型架構(gòu)可以看出，F(xiàn)asterRCNN相當(dāng)于RPN與FastRCNN網(wǎng)絡(luò)的集合。FasterRCNN網(wǎng)絡(luò)有兩種訓(xùn)練方式12，第一類是交替訓(xùn)練方式，訓(xùn)練過程分為個(gè)階段：

　　1)訓(xùn)練特征提取網(wǎng)絡(luò)和RPN，得到特征圖和區(qū)域建議框，權(quán)重采用ImageNet預(yù)訓(xùn)練模型初始化;2)利用生成的區(qū)域建議框訓(xùn)練FastRCNN，得到新的特征圖、分類得分以及位置偏移;3)固定特征提取網(wǎng)絡(luò)，利用第步輸出的參數(shù)初始化RPN，生成新的區(qū)域建議框，最后進(jìn)行分類回歸，微調(diào)檢測(cè)結(jié)果。第二類是近似聯(lián)合訓(xùn)練方式，訓(xùn)練過程分為個(gè)階段：4)訓(xùn)練特征提取網(wǎng)絡(luò)和RPN，生成共享特征圖和區(qū)域建議框，權(quán)重采用ImageNet預(yù)訓(xùn)練模型初始化;)在共享特征圖的基礎(chǔ)上利用生成的區(qū)域建議框進(jìn)行分類回歸;5)將第步的區(qū)域建議框和第步的分類得分、位置偏移合并輸入FasterRCNN模型聯(lián)合訓(xùn)練。交替訓(xùn)練方式在RPN訓(xùn)練結(jié)束后，會(huì)存儲(chǔ)所有訓(xùn)練圖片的區(qū)域建議框，占用了極大的內(nèi)存空間。而近似聯(lián)合訓(xùn)練將RPN產(chǎn)生區(qū)域建議框直接送入FastRCNN網(wǎng)絡(luò)，節(jié)省了大量?jī)?nèi)存，在訓(xùn)練過程中只訓(xùn)練一個(gè)權(quán)重網(wǎng)絡(luò)，訓(xùn)練速度有可觀的提升，而訓(xùn)練精度不變。

　　1.2SSD算法原理

　　基于區(qū)域建議框和分類回歸的目標(biāo)檢測(cè)方法中，CN系列算法取得了優(yōu)異的結(jié)果，但是在速度方面離實(shí)時(shí)要求還相差較遠(yuǎn)。SSD網(wǎng)絡(luò)通過均勻地在特征提取網(wǎng)絡(luò)生成多個(gè)尺寸的特征圖上進(jìn)行密集抽樣，抽樣時(shí)可以采用不同尺度和長(zhǎng)寬比的目標(biāo)檢測(cè)框，然后對(duì)不同尺度的目標(biāo)檢測(cè)框進(jìn)行分類與回歸，最后經(jīng)過非極大值抑制來抑制掉一部分重疊的目標(biāo)檢測(cè)框，將不同特征圖獲得的目標(biāo)檢測(cè)框結(jié)合起來，生成最終的檢測(cè)結(jié)果。整個(gè)過程只需要一步，其優(yōu)勢(shì)是檢測(cè)速度快。

　　2Faster-RCNN算法改進(jìn)

　　2.1特征提取網(wǎng)絡(luò)優(yōu)化

　　2.1.1CNN模型

　　CNN14]是一種包含卷積的深度神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)包括卷積層、池化層、全連接層和激活函數(shù)。在CNN中，輸入圖像可看作由像素組成的矩陣，卷積操作可以看做一個(gè)帶權(quán)重的濾波器即卷積核。對(duì)矩陣進(jìn)行內(nèi)積計(jì)算，不同濾波器會(huì)得到不同的輸出數(shù)據(jù)，代表著顏色、輪廓等特征，多個(gè)卷積核疊加可組成卷積層，圖像經(jīng)過卷積層可提取不同位置，不同類型的特征向量集。自CNN應(yīng)用在計(jì)算機(jī)視覺以來，為了獲得更高的準(zhǔn)確率，卷積網(wǎng)絡(luò)的層數(shù)逐漸從AlexNet的層增加到ResNet的152層。

　　網(wǎng)絡(luò)層次越深，特征的抽象程度就越高，從而神經(jīng)網(wǎng)絡(luò)可以完成更多需要高度抽象理解能力的工作。然而神經(jīng)網(wǎng)絡(luò)并不是越深越好，網(wǎng)絡(luò)層次的加深使得網(wǎng)絡(luò)占用的內(nèi)存和運(yùn)行空間增加，會(huì)影響網(wǎng)絡(luò)的運(yùn)行速度。因此在選擇卷積網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)的模型大小和特征提取能力需要綜合考量。FasterRCNN網(wǎng)絡(luò)一般選取VGG16作為其特征提取網(wǎng)絡(luò)，VGG16網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)潔規(guī)整，容易修改遷移到其他任務(wù)中且網(wǎng)絡(luò)層數(shù)較淺，常作為高層任務(wù)的基礎(chǔ)網(wǎng)絡(luò)。但是VGG16網(wǎng)絡(luò)還是很難滿足在有限計(jì)算資源平臺(tái)上做出及時(shí)反應(yīng)的要求。

　　2.2RPN優(yōu)化

　　在區(qū)域建議框生成初始階段，RPN以輸入特征圖的每個(gè)像素點(diǎn)為中心生成個(gè)面積和長(zhǎng)寬比不同的錨框，后每個(gè)框會(huì)生成個(gè)分類得分和個(gè)位置偏移，從而帶來大量的計(jì)算量，影響運(yùn)行速度。因此對(duì)RPN進(jìn)行輕量化改進(jìn)尤為重要。當(dāng)RPN和改進(jìn)的輕量型特征提取網(wǎng)絡(luò)耦合時(shí)，會(huì)引起網(wǎng)絡(luò)參數(shù)不平衡，增加過度擬合風(fēng)險(xiǎn)。為解決這一問題，本文首先使用深度可分離卷積(DSC)代替RPN的×卷積。

　　2.3FastRCNN網(wǎng)絡(luò)優(yōu)化

　　FastRCNN網(wǎng)絡(luò)利用VGG網(wǎng)絡(luò)的后幾層，在特征分類回歸前將感興趣區(qū)域池化輸出送入兩層全連接層，全連接層是將所有神經(jīng)元參數(shù)進(jìn)行連接計(jì)算，全連接層將卷積輸出的二維特征圖轉(zhuǎn)化成一維的向量，對(duì)于×特征圖，將生成16個(gè)神經(jīng)元，帶來最直觀的問題就是參數(shù)爆炸與冗余。雖然在全連接前進(jìn)行了Dropout操作、減少了部分神經(jīng)元，但同時(shí)也丟失大量信息，使網(wǎng)絡(luò)收斂變慢。參考nception網(wǎng)絡(luò)，本文采用全局平均池化代替全連接層以融合學(xué)到的深度特征。全局平均池化將特征圖看為一個(gè)整體，在保留前面各個(gè)卷積層和池化層提取到的特征信息的同時(shí)，還減少了模型中的參數(shù)數(shù)量，降低了過度擬合的風(fēng)險(xiǎn)。

　　3改進(jìn)網(wǎng)絡(luò)檢測(cè)實(shí)驗(yàn)

　　3.1實(shí)驗(yàn)平臺(tái)參數(shù)

　　處理器為英特爾i79750H;顯卡為NVIDIAGeForceGTX1650Ti，顯存為4G;系統(tǒng)為Windows103.2數(shù)據(jù)集實(shí)驗(yàn)數(shù)據(jù)集選用MSTAR數(shù)據(jù)集，MSTAR數(shù)據(jù)集是通過高分辨率的聚束式SAR采集的多種前蘇聯(lián)目標(biāo)軍事車輛的SAR圖像合集。本算法數(shù)據(jù)集中SAR圖片大小為224×224像素，共162張，包含10類目標(biāo)，分別為2S1(自行榴彈炮)、BMP2(步兵戰(zhàn)車)、BRDM2(裝甲偵察車)、BTR60(裝甲運(yùn)輸車)、BTR70(裝甲運(yùn)輸車)、D7(推土機(jī))、T62(坦克)、T72(坦克)、ZIL131(貨運(yùn)卡車)、ZSU234(自行高炮)。

　　數(shù)據(jù)智能化論文投稿刊物：自動(dòng)化學(xué)報(bào)是自動(dòng)化科學(xué)與技術(shù)領(lǐng)域的高級(jí)學(xué)術(shù)期刊。雜志是1963年創(chuàng)刊的，在1966年-1978年是�？癄顟B(tài)，1979年才復(fù)刊發(fā)行，現(xiàn)為大16開本，月刊，每期112頁。科學(xué)出版社與Elsevier合作出版，國(guó)內(nèi)外公開發(fā)行。

　　4結(jié)論

　　本文針對(duì)現(xiàn)有目標(biāo)檢測(cè)技術(shù)不能兼顧檢測(cè)精度與速度的問題，對(duì)FasterRCNN目標(biāo)檢測(cè)算法進(jìn)行了改進(jìn)優(yōu)化。首先使用深度可分離卷積設(shè)計(jì)特征提取網(wǎng)絡(luò)，降低了基礎(chǔ)模型的參數(shù)量和計(jì)算量。然后在SAR圖像真值目標(biāo)大小的基礎(chǔ)上，對(duì)錨框生成尺度進(jìn)行調(diào)整，并改進(jìn)非極大值抑制算法，提高目標(biāo)檢測(cè)的精度。最后，利用全局平均池化代替全連接層進(jìn)行特征分類，將改進(jìn)后的FastRCNN算法應(yīng)用于SAR圖像的目標(biāo)檢測(cè)任務(wù)中，用MSTAR數(shù)據(jù)集進(jìn)行訓(xùn)練，并與SSD算法進(jìn)行對(duì)比。經(jīng)檢測(cè)驗(yàn)證，改進(jìn)后FasterRCNN算法的模型體積和模型運(yùn)算量均優(yōu)于SD單階段網(wǎng)絡(luò)，檢測(cè)精度也可保持雙階段檢測(cè)算法的水平，改進(jìn)FasterRCNN的檢測(cè)速度從原FasteRCNN算法的0.59張?zhí)嵘秊?.13張，驗(yàn)證了本文方法在SAR圖像目標(biāo)檢測(cè)任務(wù)中具有較好的表現(xiàn)。

　　參考文獻(xiàn)(References)

　　[1]劉燕高分辨率及新模式SAR成像算法研究[D].西安：西安電子科技大學(xué)，2012.IUY.ResearchonhighresolutionandewodeSARmaginglgorithm[D].’an：XidianUniversity，2012.(inChinese)

　　[2]趙明波，何峻，付強(qiáng).SAR圖像FAR檢測(cè)的快速算法綜述[J].自動(dòng)化學(xué)報(bào)，2012，38(12):18851895.HAO， Q.OverviewoffastalgorithmsforSARimageCFARdetection[J].JournalofAutomation，2012，38(12):18851895.(inChinese)

　　【3】SAHAL，SAIDAZ，PUTRAYR，etal.ComparisonofCFARethodsonultipleargetsinealuttersingSPXRadarSimulator//ProceedingsofInternationalSeminaronIntelligentTechnologyandItsApplicationsSurabaya，IndonesiaIEEE，2020

　　作者：馬月紅，孔夢(mèng)瑤

轉(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///nylw/27592.html