融合改进通道和层剪枝的口罩人脸检测

摘要

针对实际场景中目标检测算法部署算力缺乏和资源不足的问题,提出了一种基于改进通道和层剪枝的模型剪枝方法,通过设置自适应局部安全阈值以改进通道剪枝,同时通过综合评价整个残差结构值的方法进行层剪枝,并将模型剪枝方法用于口罩人脸检测。首先采用基于人脸的数据扩增方法构建口罩人脸检测数据集并使用该数据集训练YOLOv4目标检测网络;然后使用改进通道和层剪枝的模型剪枝方法对YOLOv4模型进行剪枝得到不同的剪枝模型,将这些剪枝模型在口罩人脸数据集上与YOLOv4和YOLOv4-tiny进行对比实验。性价比最高的剪枝模型(Prune-best)相对于YOLOv4模型参数量和模型大小减少75%,GFLOPS减少60%,模型推理时间减少3.7 ms,同时其mAP仅下降2.7%;极限剪枝模型(Prune-limit)更是以5.56 MB的模型大小和1.428 MB的参数量达到了0.662的mAP,比YOLOv4-tiny高6.3%,同时模型大小和参数量仅为YOLOv4-tiny的1/4。实验表明,剪枝后的模型其检测性价比更高,更适合实际场景中的口罩人脸检测部署。