李梅等：基于TATLNet的输电场景威胁检测 513 模型进行测试，训练数据和测试数据均采用自制 xiln+(1-xi)In(1)+yi lny+ 的吊车图像数据集，测试结果如表1所示.可以看 1-yln(l-y)+v网nm+-V网n1-√网+ 出，随着网格数目的增加，准确率也随之增加，而 召回率有先增加后降低的趋势，检测效率则随着 瓜nV所+-同n-网n 网格的增加迅速降低.综合准确率与检测效率， (2) 9×9为最优网格划分方案. 结合TATLNet的结构图，如公式(3)所示， 表1 VRGNet中网格划分对检测结果的影响 TATLNet的损失函数L可以设计为对置信度损失 Table 1 Different strategies of grid cells partitioning 和坐标损失的加权相加，其中α为加权系数. Grids Precision/% Recall/% Efficiency/ms L=aLconf +(1-a)Lloc (3) 2×2 72.23 68.49 33.61 2.3.4模型压缩 3×3 84.80 71.99 35.85 通过通道剪枝的方式来对模型进行压缩，对 4×4 89.60 79.59 36.48 已经训练好的模型，选择出相对不重要的通道，将 5×5 84.37 83.87 40.37 这些通道删除，然后构造新的模型图，经过重新训 6×6 88.48 86.90 45.62 练，恢复原先模型的准确率，消除由于模型压缩带 8×8 92.62 90.14 47.66 来的准确率损失. 9×9 95.19 92.40 51.63 对于每一个通道上的卷积核，首先计算出其 10×10 93.28 95.15 67.21 Frobenius范数.然后将其二值化，即如果计算出 12×12 81.14 84.36 8.29 的Frobenius范数大于0则令其为l,如果等于0则 14×14 75.61 84.49 7.29 保持不变.将通道上的这一指标累加起来，以此找 15×15 75.11 86.30 6.05 出神经网络各层中的冗余通道，实现对神经网络 作用较小的分支的剪枝，获得体积更小的模型图 3.2数据增强 通过剪枝获得的模型，利用训练集进行重新训练， 为了测试该方法所采用的数据增强技术对准 以弥补由于剪枝带来的准确率损失，在不损失模 确率的影响，对无数据增强、传统的图像几何变 型准确率的基础上实现对深度学习模型的体积压 换、GAN以及GAN与图形变换相结合的方式进 缩和速度提升， 行了对照实验，其中原始图像500张，传统的图像 3实验与应用分析 几何变换生成新的图像1500张，GAN生成新图像 1500张.实验结果表2所示，可以看出，GAN与传 为了测试TATLNet的各项性能指标，在英伟 统图像几何变换相结合的方式可以极大地提高模 达轻量级计算平台NVIDIA Tegra X2上进行了各 型的准确率 项实验，算法的性能以准确率(Precision)、召回率 (Recall)和检测效率(Efficiency)为指标： 表2数据增强效果 TP Precision (4) Table 2 Effect of data enhancement TP+FP p Data enhancement methods Precision Recall TP Recall =TP+FN (5) Original images 78.19 71.52 Time Traditional methods 85.73 81.35 Efficiency=Number (6) GAN 93.62 90.55 其中，TP为测试集检测对的目标数；FP为漏检数； GAN+traditional methos 95.19 92.40 FN为误检数；Time为算法在测试集进行推理上所 用时间总和，ms:Number为测试集样本总数 3.3不同输入图像尺寸比较 3.1 VRGNet网格划分策略对比 般而言，输人图像的尺寸越高，神经网络检 考虑现场监控场景下目标在监控图像中的比 测的准确率越高，与此同时会伴随着推理时间的 例对检测结果的影响，为了选取合适的VRGNet网 增加，为了在模型准确率和推理速度之间达到平 格单元划分比例，对不同尺度网格单元下的检测 衡，对输入图像的不同尺寸进行了测试，测试结果Lloc = ∑ i∈pro [ xi ln x ∗ i +(1− xi)ln(1− x ∗ i )+yi lny ∗ i + (1−yi)ln(1−y ∗ i )+ √ wi ln √ w ∗ i + ( 1− √ wi ) ln( 1− √ w ∗ i ) + √ hi ln √ h ∗ i + ( 1− √ hi ) ln( 1− √ h ∗ i ) ] n （2） 结 合 TATLNet 的结构图 ，如公式 （ 3）所示 ， TATLNet 的损失函数 L 可以设计为对置信度损失 和坐标损失的加权相加，其中 α 为加权系数. L = αLconf +(1−α)Lloc （3） 2.3.4    模型压缩 通过通道剪枝的方式来对模型进行压缩，对 已经训练好的模型，选择出相对不重要的通道，将 这些通道删除，然后构造新的模型图，经过重新训 练，恢复原先模型的准确率，消除由于模型压缩带 来的准确率损失. 对于每一个通道上的卷积核，首先计算出其 Frobenius 范数. 然后将其二值化，即如果计算出 的 Frobenius 范数大于 0 则令其为 1，如果等于 0 则 保持不变. 将通道上的这一指标累加起来，以此找 出神经网络各层中的冗余通道，实现对神经网络 作用较小的分支的剪枝，获得体积更小的模型图. 通过剪枝获得的模型，利用训练集进行重新训练， 以弥补由于剪枝带来的准确率损失，在不损失模 型准确率的基础上实现对深度学习模型的体积压 缩和速度提升. 3    实验与应用分析 为了测试 TATLNet 的各项性能指标，在英伟 达轻量级计算平台 NVIDIA Tegra X2 上进行了各 项实验，算法的性能以准确率（Precision）、召回率 （Recall）和检测效率（Efficiency）为指标： Precision = TP TP+FP （4） Recall = TP TP+FN （5） Efficiency = Time Number （6） 其中，TP 为测试集检测对的目标数；FP 为漏检数； FN 为误检数；Time 为算法在测试集进行推理上所 用时间总和，ms；Number 为测试集样本总数. 3.1    VRGNet 网格划分策略对比 考虑现场监控场景下目标在监控图像中的比 例对检测结果的影响，为了选取合适的 VRGNet 网 格单元划分比例，对不同尺度网格单元下的检测 模型进行测试，训练数据和测试数据均采用自制 的吊车图像数据集，测试结果如表 1 所示. 可以看 出，随着网格数目的增加，准确率也随之增加，而 召回率有先增加后降低的趋势，检测效率则随着 网格的增加迅速降低. 综合准确率与检测效率， 9×9 为最优网格划分方案. 3.2    数据增强 为了测试该方法所采用的数据增强技术对准 确率的影响，对无数据增强、传统的图像几何变 换、GAN 以及 GAN 与图形变换相结合的方式进 行了对照实验，其中原始图像 500 张，传统的图像 几何变换生成新的图像 1500 张，GAN 生成新图像 1500 张. 实验结果表 2 所示，可以看出，GAN 与传 统图像几何变换相结合的方式可以极大地提高模 型的准确率. 3.3    不同输入图像尺寸比较 一般而言，输入图像的尺寸越高，神经网络检 测的准确率越高，与此同时会伴随着推理时间的 增加. 为了在模型准确率和推理速度之间达到平 衡，对输入图像的不同尺寸进行了测试，测试结果 表 1    VRGNet 中网格划分对检测结果的影响 Table 1    Different strategies of grid cells partitioning Grids Precision/% Recall/% Efficiency/ms 2×2 72.23 68.49 33.61 3×3 84.80 71.99 35.85 4×4 89.60 79.59 36.48 5×5 84.37 83.87 40.37 6×6 88.48 86.90 45.62 8×8 92.62 90.14 47.66 9×9 95.19 92.40 51.63 10×10 93.28 95.15 67.21 12×12 81.14 84.36 8.29 14×14 75.61 84.49 7.29 15×15 75.11 86.30 6.05 表 2    数据增强效果 Table 2    Effect of data enhancement % Data enhancement methods Precision Recall Original images 78.19 71.52 Traditional methods 85.73 81.35 GAN 93.62 90.55 GAN+traditional methos 95.19 92.40 李    梅等： 基于 TATLNet 的输电场景威胁检测 · 513 ·