《表1 剪枝前后主要性能指标对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于通道剪枝的SAR图像舰船检测优化算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文使用的深度学习框架是Tensorflow。在一台TitanXP上完成了Faster-RCNN的训练。测试平台是Intel i5 8300H的CPU。剪枝前后主要性能指标对比见表1。在对训练好的模型中的卷积滤波器剪枝75%后，经过一定的微调，mAp值从0.804降至0.785，仅有1.9%的精度损失。模型占用的内存空间从113 MB降至50.4 MB，这大大降低了实际应用中硬盘存储的压力，以及模型推理过程中发生的访存交换。在模型参数量上，剪枝之前模型中所有的参数是2 833万个，剪枝之后还剩下1 253万个参数，即参数量减少了56%。在单张图片的推理时间上，模型在剪枝之前，对200张舰船影像的平均推理时间是9.374 s，在剪枝之后，平均推理时间降至4.583 s，在速度上提升了51%。在许多场景下，相比获得的性能上的提升，1.9%的精度损失是可以接受的。