基于稀疏学习的迭代模型剪枝方法在红外旋翼无人机检测中的应用研究

为解决复杂网络架构中冗余参数导致的实时检测效率低下问题，研究人员提出迭代模型剪枝与稀疏学习（IMPSL）方法，通过动态剪枝率调整和跨层依赖优化，将Hyper-YOLO模型参数减少67.9%，计算成本降低50.9%，同时提升检测精度，为智能工厂无人机安防提供高效解决方案。

　　

在智能制造的浪潮中，工厂安全面临前所未有的挑战——旋翼无人机（UAV）可能化身“工业间谍”，通过红外成像窃取数据或破坏设备。传统深度学习模型如Hyper-YOLO虽检测精度高，却因复杂的多分支结构和非线性连接陷入“臃肿困境”：参数冗余导致计算成本激增，实时性难以保障。更棘手的是，常规剪枝方法在应对这类网络时频频“失灵”，例如梯度计算错误、维度失配等问题，甚至引发模型崩溃。

为解决这一难题，国内某研究团队在《Expert Systems with Applications》发表研究，提出迭代模型剪枝与稀疏学习（IMPSL）方法。该方法创新性地将动态剪枝率调整与稀疏约束结合，通过残差连接剪枝（解决维度失配）、内部解耦筛选（消除梯度错误）和基于特征重要性的多尺度剪枝（优化跨层通信），实现了对Hyper-YOLO的高效压缩。研究团队还构建了包含14,916张样本的红外无人机专用数据集，经严格人工标注与清洗，为实验提供可靠基准。

关键技术包括：1）动态剪枝率自适应调整算法；2）针对残差结构的稀疏学习约束；3）跨层依赖的梯度优化策略；4）基于特征重要性的多分支剪枝决策机制。

研究结果显示：
残差连接剪枝：通过逐层分析跳跃连接的贡献度，解决了传统剪枝导致的张量维度不匹配问题，使剪枝后模型FLOPs降低34.2%。
内部解耦筛选：对非线性结构中的交叉层依赖进行梯度路径优化，将剪枝过程中的数值误差减少71.5%。
多尺度特征剪枝：依据MANet模块的特征图响应强度动态移除冗余通道，在保持AP（Average Precision）不变的情况下，参数量压缩达67.9%。

最终，IMPSL在保持原模型98.3%检测精度的同时，推理速度提升2.1倍，显著优于传统结构化剪枝方法。该成果不仅为复杂网络压缩提供了新范式，其构建的红外数据集更填补了该领域空白。研究者特别指出，该方法可扩展至其他具有多分支架构的检测模型，为边缘计算设备部署轻量化AI模型开辟了新路径。未来工作将聚焦于剪枝过程的自动化程度提升，以及三维点云数据下的无人机实时检测应用。