仝 玉，周 海，卞春江，陳紅珍

(1.中國科學(xué)院國家空間科學(xué)中心 復(fù)雜航天系統(tǒng)綜合電子與信息技術(shù)重點實驗室，北京 100190； 2.中國科學(xué)院大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，北京 100049)

0 引 言

星載遙感圖像實時目標檢測技術(shù)可提取高價值遙感目標，具有十分重要的應(yīng)用意義。而星載宇航級處理芯片計算和存儲資源十分匱乏。就目前目標檢測網(wǎng)絡(luò)尺寸而言難以移植到宇航級處理芯片中，因此利用網(wǎng)絡(luò)壓縮技術(shù)減少網(wǎng)絡(luò)尺寸具有重要的研究意義。

早期的網(wǎng)絡(luò)壓縮方法主要是網(wǎng)絡(luò)剪枝，基于權(quán)重的裁剪算法[1]和結(jié)構(gòu)化剪枝方法[2]相繼被提出，利用權(quán)重重要性評判標準裁掉網(wǎng)絡(luò)中冗余的權(quán)重，降低模型的計算量和存儲量。除了剪枝技術(shù)，研究者也從網(wǎng)絡(luò)量化方面壓縮網(wǎng)絡(luò)。BinaryConnect網(wǎng)絡(luò)[3]、二值權(quán)值網(wǎng)絡(luò)[4]、三值權(quán)值網(wǎng)絡(luò)[5]相繼被提出，但在量化過程中存在精度損失，同時只適用于處理特定模型結(jié)構(gòu)和網(wǎng)絡(luò)層。之后Zhou等提出漸進式增量量化[6]，對模型的所有參數(shù)進行量化，有效地解決了量化過程中模型精度損失明顯的問題。

目前對于目標檢測網(wǎng)絡(luò)的壓縮工作主要從單一角度出發(fā)，Yihui He等[7]對目標檢測網(wǎng)絡(luò)的預(yù)訓(xùn)練網(wǎng)絡(luò)進行剪枝進而對實現(xiàn)目標檢測網(wǎng)絡(luò)的壓縮。這種單一角度壓縮方法壓縮程度有限，剪枝后網(wǎng)絡(luò)中依舊存在大量乘加操作，芯片處理依舊能力不足，難以廣泛應(yīng)用于光學(xué)遙感衛(wèi)星系統(tǒng)。

因此本文從兩個角度對網(wǎng)絡(luò)進行混合壓縮，提出一種漸進式混合量化(incremental hybrid quantization，IHQ)方法，并將其與網(wǎng)絡(luò)剪枝相結(jié)合。首先對目標檢測網(wǎng)絡(luò)進行濾波器級剪枝，在剪枝訓(xùn)練過程引入了二值掩碼矩陣，大幅度降低了卷積乘法操作；然后進行漸進式混合量化，在網(wǎng)絡(luò)不同部分采取不同的量化位寬，降低了網(wǎng)絡(luò)權(quán)重在宇航級芯片內(nèi)部存儲空間。實驗結(jié)果表明，該方法在網(wǎng)絡(luò)檢測精度損失<1%的情況下，顯著提升了網(wǎng)絡(luò)對星上有限計算和存儲資源的利用率。

1 混合壓縮方法

基于遙感圖像目標檢測，綜合權(quán)值存儲和運算速度等因素，選擇使用以ResNet-18[8]為基礎(chǔ)網(wǎng)絡(luò)的Faster-RCNN網(wǎng)絡(luò)[9]作為遙感圖像目標檢測網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，遙感圖像經(jīng)過RCNN_base提取圖像特征，然后輸入到RPN層，在anchor機制下產(chǎn)生anchor，經(jīng)過3*3卷積進一步提取特征圖信息，再經(jīng)過兩個1*1卷積進行二分類和坐標回歸。經(jīng)歷RPN層之后經(jīng)過RoI Proposal部分(此部分不含卷積操作)剔除掉越界和重復(fù)的包圍框輸出300個rois，連同RCNN_base輸出的特征圖進行RoI pooling，統(tǒng)一規(guī)范為7*7的特征映射。最后經(jīng)過RCNN_top，以及兩個全連接層，分別進行分類和定位操作。

圖1 Faster-RCNN網(wǎng)絡(luò)計算流程

ResNet-18計算量和存儲量較小，模型存儲量為46.8 MB，計算量為1.8 GFLOPs，由conv1、layer1、layer2、layer3、layer4、avlpooling組成，每一個layer為一個殘差塊包括兩個殘差結(jié)構(gòu)，其中每個殘差結(jié)構(gòu)包括兩個卷積層。layer1.0.conv1表示第一個殘差塊中第一個殘差結(jié)構(gòu)第一個卷積層。RCNN_base部分包括conv1、layer1、layer2、la-yer3，RCNN_top部分包括layer4、avlpooling。

由Faster-RCNN網(wǎng)絡(luò)結(jié)構(gòu)分析可知，網(wǎng)絡(luò)卷積操作集中于基礎(chǔ)網(wǎng)絡(luò)ResNet-18。因此本文混合壓縮方法首先對ResNet-18進行濾波器級剪枝，實現(xiàn)初步的壓縮，然后將裁剪之后的ResNet-18作為Faster-RCNN的基礎(chǔ)網(wǎng)絡(luò)進行訓(xùn)練并分析裁剪后Faster-RCNN網(wǎng)絡(luò)不同部分對于量化位寬的敏感性，進行漸進式混合量化，實現(xiàn)最終的壓縮。算法總體流程如圖2所示。

圖2 混合壓縮方法整體流程

1.1 網(wǎng)絡(luò)剪枝

1.1.1 濾波器級剪枝

根據(jù)對剪去權(quán)重位置是否做額外約束可以將網(wǎng)絡(luò)剪枝分為結(jié)構(gòu)化剪枝和非結(jié)構(gòu)化剪枝。結(jié)構(gòu)化剪枝與非結(jié)構(gòu)化剪枝相比，剪枝之后的權(quán)重矩陣更為規(guī)則，在網(wǎng)絡(luò)加速階段不需要特殊的硬件且不引入額外的計算成本。同時結(jié)構(gòu)化剪枝根據(jù)對剪去的權(quán)重位置不同分為向量級剪枝、核級剪枝和濾波器級剪枝。濾波器級剪枝與其它剪枝方式相比，通過對整個三維卷積核的去除，可以更直接有效加速深度神經(jīng)網(wǎng)絡(luò)計算過程。

同時濾波器級剪枝并沒有改變權(quán)重矩陣的形狀，只是改變?yōu)V波器的個數(shù)，降低網(wǎng)絡(luò)中浮點數(shù)計算量。網(wǎng)絡(luò)剪枝之后在宇航級處理芯片運行時不但不會給芯片內(nèi)部并行化計算造成困難，而且可以有效減少并行化周期，提高計算效率。

因此本文首先選取濾波器級剪枝對目標檢測網(wǎng)絡(luò)中基礎(chǔ)網(wǎng)絡(luò)卷積層進行剪枝操作，大幅度降低網(wǎng)絡(luò)卷積計算操作數(shù)量。

1.1.2 分層剪枝法

網(wǎng)絡(luò)剪枝過程如圖3所示，分為以下3步：①通過正常網(wǎng)絡(luò)訓(xùn)練得到一個原始網(wǎng)絡(luò)；②通過一定的衡量規(guī)則判斷網(wǎng)絡(luò)層中濾波器的重要性并將不重要的濾波器進行移除；③在得到的小規(guī)模網(wǎng)絡(luò)基礎(chǔ)上進行再訓(xùn)練以恢復(fù)因網(wǎng)絡(luò)剪枝所造成的損失[10]。

圖3 剪枝算法主要流程

在網(wǎng)絡(luò)重訓(xùn)練過程中主要通過以下兩種方法進行訓(xùn)練，方法一是網(wǎng)絡(luò)層剪枝與重訓(xùn)練相互迭代，每層剪枝操作結(jié)束之后立即進行重訓(xùn)練，以此迭代直到全部網(wǎng)絡(luò)層剪枝結(jié)束。方法二是將整個網(wǎng)絡(luò)只進行一次剪枝操作，然后對網(wǎng)絡(luò)進行微調(diào)重訓(xùn)練。方法二與方法一相比花費時間較少，同時精度不會造成明顯損失。

本文采取的濾波器重要性衡量標準為平均L1范數(shù)，通過計算濾波器絕對值和的平均值，對L1范數(shù)評判規(guī)則進行規(guī)范化，使其不受濾波器大小的影響。韓松等[1]將網(wǎng)絡(luò)中低于某一閾值的權(quán)重裁掉的做法容易使得在網(wǎng)絡(luò)權(quán)重分布不均衡的情況下將網(wǎng)絡(luò)層中全部權(quán)重被移除。因此本文對網(wǎng)絡(luò)中不同卷積層逐層設(shè)置裁剪率，對網(wǎng)絡(luò)進行一次性剪枝。

通常在網(wǎng)絡(luò)卷積層裁剪濾波器時，將某一層相應(yīng)的濾波器裁掉之后，需要將該層與下一層的輸出通道以及輸入通道相對應(yīng)減少，重新生成新的核矩陣，將沒有被裁掉的權(quán)重重新移植到新的模型中。裁剪過程中每裁剪一層都要重復(fù)此操作，過程繁瑣。

本文在剪枝訓(xùn)練過程中引入二值掩碼矩陣Ml, 模型剪枝過程中并不改變核矩陣的大小，訓(xùn)練結(jié)束之后將掩碼為0的權(quán)重統(tǒng)一去除，計算過程簡單。假設(shè)網(wǎng)絡(luò)原始濾波器矩陣為W, 裁剪之后網(wǎng)絡(luò)矩陣為S， 其中S=Ml·W， 將要被裁掉的濾波器掩碼設(shè)為0。在網(wǎng)絡(luò)反向傳播過程中，利用S更新梯度，掩碼為0的權(quán)重并不參與反向傳播過程。假設(shè)在第j個卷積層，該卷積層輸入特征圖為x, 經(jīng)過剪枝之后卷積核矩陣為Sj, 輸出為y， 反向傳播過程如下

(1)

1.2 漸進式混合量化

對Faster-RCNN的基礎(chǔ)網(wǎng)絡(luò)ResNet-18濾波器級剪枝之后，可有效降低網(wǎng)絡(luò)降低卷積計算操作數(shù)，但網(wǎng)絡(luò)中依舊存在大量的卷積計算，計算量以億計數(shù)。宇航級芯片內(nèi)部負責浮點乘加運算的是有限數(shù)量的數(shù)字信號處理(digital signal processing，DSP)硬核。國產(chǎn)宇航級芯片DSP數(shù)量通常不超過1000，并且DSP硬核在一個周期內(nèi)通常只能處理一次乘加操作，處理上億的計算操作數(shù)計算成本較高。因此本文在濾波器級剪枝之后，基于漸進式增量量化方法提出漸進式混合量化方法簡稱IHQ，將網(wǎng)絡(luò)中32位網(wǎng)絡(luò)權(quán)重量化為2的整次冪或者0。量化后網(wǎng)絡(luò)在宇航級芯片上部署加速時，復(fù)雜的卷積乘法操作可被轉(zhuǎn)化為簡單的移位操作，降低了網(wǎng)絡(luò)中浮點運算對有限D(zhuǎn)SP硬核的依賴，提升了網(wǎng)絡(luò)在芯片內(nèi)部計算效率。

漸進式增量量化方法將模型中所有網(wǎng)絡(luò)層量化為相同位寬，整個模型量化位寬一致，對網(wǎng)絡(luò)的壓縮程度有限。本文提出的IHQ方法與漸進式增量量化方法的目標都是將網(wǎng)絡(luò)中的權(quán)重量化為2的冪次，但在量化位寬的選擇上不同于漸進式增量量化，其基本思想是在不損失網(wǎng)絡(luò)模型精度的前提下，對網(wǎng)絡(luò)各部分采用更少的量化位寬，使其在芯片內(nèi)部所占存儲量進一步減少?；旌鲜褂貌煌牧炕粚捒梢垣@得更好的壓縮率，但是直接混合使用會嚴重損失模型的精度，所以需要對網(wǎng)絡(luò)中不同部分對量化位寬的敏感性進行分析，確定最優(yōu)的量化位寬組合。

網(wǎng)絡(luò)量化訓(xùn)練過程如圖4所示，不斷迭代分組、量化、重訓(xùn)練步驟，直到網(wǎng)絡(luò)中所有權(quán)重都被量化成2的整次冪或者0。

圖4 網(wǎng)絡(luò)量化過程

當網(wǎng)絡(luò)中需要被量化部分進行量化時，所有參數(shù)被量化為2的整次冪或0。Faster-RCNN網(wǎng)絡(luò)是兩階段式目標檢測網(wǎng)絡(luò)，根據(jù)圖1的Faster-RCNN網(wǎng)絡(luò)的計算流程，可將網(wǎng)絡(luò)分為兩部分，如圖5所示。在本文提出的IHQ方法中將網(wǎng)絡(luò)方法中將網(wǎng)絡(luò)第一部分與第二部分設(shè)置為不同位數(shù)的量化位寬。

圖5 Faster-RCNN網(wǎng)絡(luò)結(jié)構(gòu)拆分

假設(shè)權(quán)重量化位寬即網(wǎng)絡(luò)在芯片中所占位長為b， 則其相對應(yīng)的碼本為Pl={±2n1,…,±2n2,0}，n1≥n2

s=max(abs(Wl))

(2)

n1=floor(log24s/3)

(3)

n2=n1+1-2(b-1)/2

(4)

其中，floor(·) 表示向下取整操作，s是每層濾波器權(quán)重絕對值的最大值，abs(·) 是取絕對值操作。

在網(wǎng)絡(luò)中未被量化的部分需要重訓(xùn)練以彌補量化所造成的損失，可以依賴二值矩陣使用SGD算法更新權(quán)值

(5)

2 實驗與結(jié)果分析

2.1 數(shù)據(jù)集與網(wǎng)絡(luò)訓(xùn)練配置

本文選用Pytorch深度學(xué)習(xí)框架，實驗環(huán)境為Ubuntu16.04，兩塊NVIDIA GeForce GTX 1080 Ti GPU。

(1)首先選擇基于Cifar10數(shù)據(jù)集訓(xùn)練的ResNet-56進行裁剪，剪枝過程引入二值掩碼矩陣，重訓(xùn)練過程中網(wǎng)絡(luò)學(xué)習(xí)率為0.1，迭代次數(shù)為70次。

(2)選擇基于ImageNet數(shù)據(jù)集訓(xùn)練的ResNet-18進行裁剪，剪枝訓(xùn)練過程依舊引入二值掩碼矩陣。重訓(xùn)練過程中網(wǎng)絡(luò)學(xué)習(xí)率為0.001，迭代次數(shù)80次。在ImageNet數(shù)據(jù)集訓(xùn)練時，圖片大小為224*224。然后將裁剪之后的ResNet-18作為Faster-RCNN的基礎(chǔ)網(wǎng)絡(luò)進行訓(xùn)練。

(3)將剪枝之后的Faster-RCNN網(wǎng)絡(luò)進行漸進式混合量化。

Faster-RCNN網(wǎng)絡(luò)訓(xùn)練采取的是RSOD[11]數(shù)據(jù)集。該數(shù)據(jù)集包括4類：aircraft、playground、overpass、oiltank。該數(shù)據(jù)集采用的是PASCAL VOC數(shù)據(jù)集標注格式。利用遙感圖像對機場、港口、海上等區(qū)域的飛行器和艦船進行目標檢測，對戰(zhàn)場部署起著重要作用。因此對于此數(shù)據(jù)集進行種類擴充，增加了艦船目標的檢測。最終數(shù)據(jù)集包括aircraft、boat、playground、overpass。其中飛機446張共4993個實例，艦船共180張，共500個實例，立交橋176張共180個實例，操場189張共191個實例。訓(xùn)練集、驗證集、測試集按照1∶1∶2的比例劃分。同時針對目標檢測網(wǎng)絡(luò)對相似背景判別能力不足的情況，進行Faster-RCNN網(wǎng)絡(luò)改進。在Faster-RCNN網(wǎng)絡(luò)配置中，RPN網(wǎng)絡(luò)在提取候選區(qū)域時，默認選取正負樣本比例為1∶1的候選框，本文實驗中將RPN提取的正負候選區(qū)域比例調(diào)整為3∶7，強化網(wǎng)絡(luò)模型對相似背景的辨別能力，提高目標的檢測性能。

2.2 評價指標

本文選取了網(wǎng)絡(luò)的權(quán)重數(shù)量和浮點數(shù)乘法量作為網(wǎng)絡(luò)剪枝的性能評價指標。網(wǎng)絡(luò)的權(quán)重數(shù)量對應(yīng)網(wǎng)絡(luò)的空間復(fù)雜度，浮點數(shù)乘法量對應(yīng)網(wǎng)絡(luò)的時間復(fù)雜度。

本文選取平均精度(average precision，AP)作為Faster-RCNN訓(xùn)練的評價指標。目標檢測問題涉及到圖像中目標的位置信息并且要對目標進行分類

(6)

(7)

其中，TP表示正確識別的正樣本數(shù)量，TN表示正確識別的負樣本數(shù)量，F(xiàn)P表示錯誤識別的正樣本數(shù)量，F(xiàn)N表示錯誤識別的負樣本數(shù)量。因此精確率precision召回率recall要判斷樣本的正負屬性，都是相對于IoU(intersection over union)閾值的度量。單個精確率和召回率不適合作為評判標準，需要根據(jù)在不同的IoU閾值下精確率和召回率之間的關(guān)系形成PR(Precision-Recall)曲線，根據(jù)PR曲線下的面積得到每一類的平均精度AP，以AP值作為評價指標。

2.3 實驗結(jié)果與分析

(1)對ResNet-56敏感度分析后將ResNet-56第一階段殘差塊的第一個卷積層裁剪比例設(shè)為0.6，第二階段殘差塊第一個卷積層裁剪比例設(shè)為0.3，第三階段殘差塊第一個卷積層裁剪比例為0.1。剪枝過程掉過敏感層16、18、20、34、38、54。在剪枝訓(xùn)練過程中引入二值掩碼矩陣，網(wǎng)絡(luò)學(xué)習(xí)率為0.1，迭代70次，裁剪后網(wǎng)絡(luò)在Cifar10數(shù)據(jù)集上Top-1準確率為93.10。

本文網(wǎng)絡(luò)卷積層剪枝比例與Hao li等[2]方法相同，但網(wǎng)絡(luò)訓(xùn)練方法不同。在網(wǎng)絡(luò)剪枝過程中引入二值掩碼矩陣，剪枝后網(wǎng)絡(luò)Top-1準確率上升了0.4。

(2)通過對ResNet-18每層獨立裁剪，得到ResNet-18每個殘差塊剪枝敏感度曲線，如圖6所示。由圖中4個折線圖對比可得隨著網(wǎng)絡(luò)程度加深，殘差塊對剪枝敏感性逐漸下降。網(wǎng)絡(luò)中大多數(shù)層對剪枝的魯棒性較好，其中l(wèi)ayer2.0.conv1為敏感層。隨著網(wǎng)絡(luò)剪枝程度加深，殘差塊layer3、layer4網(wǎng)絡(luò)精度下降<0.5；當殘差塊layer1剪枝比例小于30%時，網(wǎng)絡(luò)表現(xiàn)良好，當剪枝比例大于30%，網(wǎng)絡(luò)性能急劇下降。

圖6 ResNet-18各殘差塊剪枝敏感度分析

因此在裁剪時跳過敏感層layer2.0.conv1，經(jīng)驗性的將第一個殘差塊的第一個卷積層裁剪比例設(shè)為0.2，第二個殘差塊第二個殘差結(jié)構(gòu)第一個卷積層裁剪比例設(shè)為0.4，第三、四個殘差塊第一個卷積層裁剪比例設(shè)為0.3。在ImageNet數(shù)據(jù)集上利用兩塊NVIDIA GeForce GTX 1080 Ti GPU進行實驗，裁剪前后對比結(jié)果見表1，ResNet-18權(quán)重總數(shù)下降38.39%，計算量下降28.27%。在ImageNet數(shù)據(jù)集上Top-1準確率為67.786，與原網(wǎng)絡(luò)相比下降2.8%。將剪枝之后的ResNet-18作為Faster-RCNN網(wǎng)絡(luò)的基礎(chǔ)網(wǎng)絡(luò)進行訓(xùn)練，F(xiàn)aster-RCNN剪枝前權(quán)重總數(shù)為12 387 008，剪枝后權(quán)重總數(shù)為8 091 008，剪枝后權(quán)重量減少34.68%。剪枝前Faster-RCNN網(wǎng)絡(luò)飛機種類AP值為0.909，剪枝后飛機種類AP值為0.906。

表1 ResNet-18剪枝前后對比

(3)按照圖5將剪枝后Faster-RCNN網(wǎng)絡(luò)分為兩部分進行漸進式混合量化。

首先分析兩部分對于量化位寬的敏感性，并確定漸進式混合量化的位寬組合。實驗共分為6組對照實驗，將Faster-RCNN兩部分量化位寬分別設(shè)為5位，5位；4位，4位；3位，3位；5位，4位；5位，3位；3位，5位。表2是Faster-RCNN在不同量化位寬組合下的飛機種類檢測對比結(jié)果。通過對比實驗第一組、第二組、第三組可得，當Faster-RCNN全部量化為4位或者3位時，在網(wǎng)絡(luò)逐步量化過程中，網(wǎng)絡(luò)性能下降明顯；對比實驗第一組和第六組，結(jié)果表明在Faster-RCNN網(wǎng)絡(luò)中網(wǎng)絡(luò)第一部分對網(wǎng)絡(luò)量化位寬更為敏感；通過對比實驗第一組、第四組、第五組，可得在網(wǎng)絡(luò)第一部分量化位寬不變的情況下，逐步降低網(wǎng)絡(luò)第二部分量化位寬，飛機種類AP值損失較小，誤差在1%之內(nèi)?；谝陨蠈aster-RCNN網(wǎng)絡(luò)量化位寬的敏感性分析，將Faster-RCNN網(wǎng)絡(luò)進行IHQ的量化位寬組合定為5和3。

表2 Faster-RCNN網(wǎng)絡(luò)兩部分量化位寬敏感度分析

為了驗證本文提出的IHQ方法的泛化性，增加對艦船、立交橋、操場等種類檢測。圖7是漸進式增量量化以及漸進式混合量化過程中各檢測目標AP值的變化曲線，其中橫坐標100%表示網(wǎng)絡(luò)中所有權(quán)重量化完成，由兩張折線圖對比可得，對網(wǎng)絡(luò)進行漸進式混合量化在多類目標檢測時，網(wǎng)絡(luò)精度依舊損失較小，AP值在量化過程中誤差<1%。

圖7 飛機、操場、立交橋等種類漸進式增量量化與漸進式混合量化AP值對比

本文對漸進式增量量化和漸進式混合量化后的Faster-RCNN網(wǎng)絡(luò)的檢測結(jié)果進行了可視化，結(jié)果如圖8所示。其中圖8(a)是網(wǎng)絡(luò)進行漸進式增量量化后的可視化結(jié)果，圖8(b)是網(wǎng)絡(luò)在本文提出的IHQ方法量化后的可視化結(jié)果。從可視化結(jié)果對比可以看出，IHQ方法對遙感圖像密集目標、小目標依舊有良好的檢測性能。

圖8 漸進式增量量化與漸進式混合量化可視化結(jié)果對比

本文也對進行IHQ后Faster-RCNN網(wǎng)絡(luò)在宇航級芯片中內(nèi)存占用進行了分析。經(jīng)過ResNet-18網(wǎng)絡(luò)剪枝之后，F(xiàn)aster-RCNN網(wǎng)絡(luò)總權(quán)重數(shù)量為8 091 008，第一部分權(quán)重數(shù)量為1 788 544，第二部分權(quán)重數(shù)量為6 302 464，IHQ方法將網(wǎng)絡(luò)第一部分量化位寬設(shè)為5，第二部分量化位寬設(shè)為3，與漸進式增量量化方法將網(wǎng)絡(luò)量化位寬統(tǒng)一設(shè)為5的做法相比，可使Faster-RCNN網(wǎng)絡(luò)在宇航級芯片內(nèi)部推斷時內(nèi)存占用減少31.16%。

由以上分析可得，本文提出的IHQ方法同漸進式增量量化方法相比，在減少網(wǎng)絡(luò)內(nèi)存占用31.16%的情況下依舊可以在遙感圖像數(shù)據(jù)集上特別是密集型小目標上取得良好的檢測結(jié)果，同時各檢測目標的AP值損失<1%。

3 結(jié)束語

本文針對多層神經(jīng)網(wǎng)絡(luò)在軌目標檢測需求與星上有限硬件資源之間的矛盾，基于宇航級芯片特性，提出一種漸進式混合量化方法，并與濾波器級剪枝結(jié)合，對目標檢測網(wǎng)絡(luò)進行混合壓縮。濾波器級剪枝大規(guī)模降低了網(wǎng)絡(luò)中卷積計算操作數(shù)；漸進式混合量化方法降低了網(wǎng)絡(luò)對宇航級處理芯片內(nèi)部DSP硬核的依賴和網(wǎng)絡(luò)在宇航級芯片中的存儲大小。通過本文網(wǎng)絡(luò)壓縮方法將Faster-RCNN網(wǎng)絡(luò)權(quán)重數(shù)量減少34.68%，其中基礎(chǔ)網(wǎng)絡(luò)ResNet-18權(quán)重數(shù)量減少38.39%，計算量減少28.27%；本文漸進式混合量化方法在各類檢測目標AP值損失<1%情況下，與漸進式增量量化方法相比使網(wǎng)絡(luò)權(quán)重在宇航級芯片中所占內(nèi)存減少31.16%。本文方法具有一定普適性，可適用于不同的卷積結(jié)構(gòu)。但是該方法只是對網(wǎng)絡(luò)權(quán)重進行量化，后續(xù)可以將其擴展到網(wǎng)絡(luò)激活量化以及網(wǎng)絡(luò)梯度量化。