基于迭代稀疏训练的轻量化无人机目标检测算法

摘 要 随着无人机技术的成熟，配备摄像头的无人机被广泛应用于各个领域，自动高效地分析和理解从无人机收集的视觉数据非常重要.基于深度卷积神经网络的目标检测算法在许多实际应用上取得了惊人的成绩，但往往伴随着巨大的资源消耗和内存占用.因此，对于无人机上携带的计算能力受限的嵌入式设备来说，直接运行深度卷积神经网络非常具有挑战性.为了应对这些挑战，以经典的目标检测方法YOLOv3(you only look once)为例，基于迭代稀疏训练的剪枝方式可以实现有效的模型压缩，同时通过组合不同数据增强方式与相关优化手段保证压缩前后检测器精度误差在可接受范围内.实验结果证明，基于迭代稀疏训练的剪枝方法在YOLOv3上取得了非常可观的压缩效果，并且将精度误差控制在了2%以内，为无人机目标检测实时应用提供了支持.

关键词 YOLOv3算法；模型压缩；迭代稀疏训练；数据增强；精度误差小

随着无人机(unmanned aerial vehicle, UAV)技术的成熟，配备摄像头和嵌入式系统的无人机已被广泛应用于各个领域，包括农业、安防与监视[1]、航空摄影[2]和基础设施检查[3]等.这些应用要求无人机平台能够感知环境，理解分析场景并作出相应的反应，其中最基础的功能就是目标自动高效检测.基于深度网络的目标检测器[4-8]通过卷积神经网络自动提取图像特征，大大提高了目标检测的性能.按照有没有利用