随着无人机技术的成熟,配备摄像头的无人机被广泛应用于各个领域,自动高效地分析和理解从无人机收集的视觉数据非常重要.基于深度卷积神经网络的目标检测算法在许多实际应用上取得了惊人的成绩,但往往伴随着巨大的资源消耗和内存占用.因...随着无人机技术的成熟,配备摄像头的无人机被广泛应用于各个领域,自动高效地分析和理解从无人机收集的视觉数据非常重要.基于深度卷积神经网络的目标检测算法在许多实际应用上取得了惊人的成绩,但往往伴随着巨大的资源消耗和内存占用.因此,对于无人机上携带的计算能力受限的嵌入式设备来说,直接运行深度卷积神经网络非常具有挑战性.为了应对这些挑战,以经典的目标检测方法YOLOv3(you only look once)为例,基于迭代稀疏训练的剪枝方式可以实现有效的模型压缩,同时通过组合不同数据增强方式与相关优化手段保证压缩前后检测器精度误差在可接受范围内.实验结果证明,基于迭代稀疏训练的剪枝方法在YOLOv3上取得了非常可观的压缩效果,并且将精度误差控制在了2%以内,为无人机目标检测实时应用提供了支持.展开更多
卷积神经网络在图像识别的应用中,有大量的冗余参数,增大了计算量,降低了网络运行速度。针对这个问题,提出了一种混合多阈值的稀疏化训练剪枝算法,通过稀疏化训练和混合全局与局部阈值的剪枝算法,压缩了神经网络的模型。通过对缩放因子L...卷积神经网络在图像识别的应用中,有大量的冗余参数,增大了计算量,降低了网络运行速度。针对这个问题,提出了一种混合多阈值的稀疏化训练剪枝算法,通过稀疏化训练和混合全局与局部阈值的剪枝算法,压缩了神经网络的模型。通过对缩放因子L1正则化,使重要性低的通道值接近0,进行稀疏化训练,再引入全局阈值和局部阈值剪枝掉接近于零的通道并防止模型向粗粒度方向压缩,并对其进行训练微调参数,得到了混合阈值剪枝的精简模型。最后为了验证本文方法有效性,在DOTA(a large-scale dataset for object detection in aerial images)数据集中进行测试,该算法在小幅度降低图像识别精度的前提下,成功地压缩模型90%大小,加快了53%的计算速度,取得了较好的效果。展开更多
随着无人机等现代化电子设备在战场上的广泛应用,高功率微波(High Power Microwave,HPM)武器在未来海上防空作战中展现出巨大的潜力。HPM武器与常规舰载防空武器协同防空时的威胁评估成为亟待解决的核心问题,建立基于KAN(Kolmogorov-Arn...随着无人机等现代化电子设备在战场上的广泛应用,高功率微波(High Power Microwave,HPM)武器在未来海上防空作战中展现出巨大的潜力。HPM武器与常规舰载防空武器协同防空时的威胁评估成为亟待解决的核心问题,建立基于KAN(Kolmogorov-Arnold Network)的威胁评估模型,通过量化6项核心因素对来袭目标的威胁程度进行评估。仿真实验表明:KAN模型的威胁评估误差保持在0.036以下,平均误差为0.0142,优于传统的BP(Back Propagation)网络模型和FABP(Firefly Algorithm Optimized Back Propagation)网络模型。加入HPM武器后,对相应量化指标进行调整,运用KAN模型预测加入HPM武器后的目标威胁值,目标威胁值平均下降了0.0714。HPM武器的使用显著增强了舰艇的防空能力,为未来防空系统的设计提供了重要指导。展开更多
文摘随着无人机技术的成熟,配备摄像头的无人机被广泛应用于各个领域,自动高效地分析和理解从无人机收集的视觉数据非常重要.基于深度卷积神经网络的目标检测算法在许多实际应用上取得了惊人的成绩,但往往伴随着巨大的资源消耗和内存占用.因此,对于无人机上携带的计算能力受限的嵌入式设备来说,直接运行深度卷积神经网络非常具有挑战性.为了应对这些挑战,以经典的目标检测方法YOLOv3(you only look once)为例,基于迭代稀疏训练的剪枝方式可以实现有效的模型压缩,同时通过组合不同数据增强方式与相关优化手段保证压缩前后检测器精度误差在可接受范围内.实验结果证明,基于迭代稀疏训练的剪枝方法在YOLOv3上取得了非常可观的压缩效果,并且将精度误差控制在了2%以内,为无人机目标检测实时应用提供了支持.
文摘卷积神经网络在图像识别的应用中,有大量的冗余参数,增大了计算量,降低了网络运行速度。针对这个问题,提出了一种混合多阈值的稀疏化训练剪枝算法,通过稀疏化训练和混合全局与局部阈值的剪枝算法,压缩了神经网络的模型。通过对缩放因子L1正则化,使重要性低的通道值接近0,进行稀疏化训练,再引入全局阈值和局部阈值剪枝掉接近于零的通道并防止模型向粗粒度方向压缩,并对其进行训练微调参数,得到了混合阈值剪枝的精简模型。最后为了验证本文方法有效性,在DOTA(a large-scale dataset for object detection in aerial images)数据集中进行测试,该算法在小幅度降低图像识别精度的前提下,成功地压缩模型90%大小,加快了53%的计算速度,取得了较好的效果。
文摘随着无人机等现代化电子设备在战场上的广泛应用,高功率微波(High Power Microwave,HPM)武器在未来海上防空作战中展现出巨大的潜力。HPM武器与常规舰载防空武器协同防空时的威胁评估成为亟待解决的核心问题,建立基于KAN(Kolmogorov-Arnold Network)的威胁评估模型,通过量化6项核心因素对来袭目标的威胁程度进行评估。仿真实验表明:KAN模型的威胁评估误差保持在0.036以下,平均误差为0.0142,优于传统的BP(Back Propagation)网络模型和FABP(Firefly Algorithm Optimized Back Propagation)网络模型。加入HPM武器后,对相应量化指标进行调整,运用KAN模型预测加入HPM武器后的目标威胁值,目标威胁值平均下降了0.0714。HPM武器的使用显著增强了舰艇的防空能力,为未来防空系统的设计提供了重要指导。
