面向轻量卷积神经网络的训练后量化方法

1

作者 杨杰 李琮 +3 位作者 胡庆浩 陈显达 王云鹏 刘晓晶 《图学学报》 北大核心 2025年第4期709-718,共10页

当前训练后量化方法(post-training quantization)在高比特量化位宽下可以实现精度近乎无损的量化,但对于轻量卷积神经网络(CNN)来说,其量化误差仍然不可忽视,特别是低位宽(<4比特)量化的情况。针对该问题,提出了一种面向轻量CNN的... 当前训练后量化方法(post-training quantization)在高比特量化位宽下可以实现精度近乎无损的量化,但对于轻量卷积神经网络(CNN)来说,其量化误差仍然不可忽视,特别是低位宽(<4比特)量化的情况。针对该问题,提出了一种面向轻量CNN的训练后量化方法,即块级批归一化学习(BBL)方法。不同于当前训练后量化方法合并批归一化层的方式,该方法以模型块为单位保留批归一化层的权重,基于块级特征图重建损失对模型量化参数和批归一化层的参数进行学习,且更新批归一化层的均值和方差等统计量,以一种简单且有效的方式缓解了轻量CNN在低比特量化时产生的分布漂移问题。其次,为了降低训练后量化方法对校准数据集的过拟合,构建了块级的数据增强方法,避免不同模型块对同一批校准数据进行学习。并在ImageNet数据集上进行了实验验证,实验结果表明,相比于当前训练后量化算法,BBL方法识别精度最高能提升7.72个百分点,并有效减少轻量CNN在低比特训练后量化时产生的量化误差。 展开更多

关键词 深度神经网络压缩 训练后量化 低比特量化 轻量卷积神经网络 轻量化智能

在线阅读 下载PDF 职称材料

基于轻量卷积和模型优化的电弧故障检测方法 被引量：1

2

作者 刘艳丽 王浩 张帆 《仪器仪表学报》 EI CAS CSCD 北大核心 2024年第10期38-49,共12页

在电动汽车电路系统中,直流串联电弧故障通常发生在接触点松动或线路连接损坏处,会引起火灾、爆炸等事故。为进行电动汽车中的串联型电弧故障研究,首先,搭建了电动汽车电弧故障实验平台,详细分析了不同工况下干路电流波形变化的原因与... 在电动汽车电路系统中,直流串联电弧故障通常发生在接触点松动或线路连接损坏处,会引起火灾、爆炸等事故。为进行电动汽车中的串联型电弧故障研究,首先,搭建了电动汽车电弧故障实验平台,详细分析了不同工况下干路电流波形变化的原因与规律。由于电弧故障检测的高实时性需求,本研究采用了轻量型的卷积操作,即深度可分离卷积,基于深度可分离卷积搭建了电弧故障检测网络,实现了电动汽车电弧故障的检测与故障线路的判别。然后,针对低维度空间中深度可分离卷积特征提取能力受限的问题,本研究对其进行了改进,提出了特征表达能力更加优越的卷积操作:分组可分离卷积。最后,采用了递进式的阶梯结构,从网络浅层至深层,分组可分离卷积内每组的卷积核数量逐渐下降,在保证检测精度的前提下,实现了网络架构的精简与优化。进一步地,对检测模型进行了卷积核尺寸调优,并在结构中添加了轻量化注意力机制。在模型的训练过程中,应用了动态学习率调整策略。通过一系列的模型优化措施,系统性地增强了模型的运行效率与检测精度。模型的检测准确率达到96.76%,同时具有较好的泛化和抗干扰能力。 展开更多

关键词 电动汽车 轻量型卷积操作 深度可分离卷积 分组可分离卷积 模型优化

在线阅读 下载PDF 职称材料

基于轻量卷积结合特征信息融合的玉米幼苗与杂草识别 被引量：40

3

作者 孟庆宽 张漫 +2 位作者 杨晓霞 刘易 张振仪 《农业机械学报》 EI CAS CSCD 北大核心 2020年第12期238-245,303,共9页

针对自然环境下作物与杂草识别精度低、实时性和鲁棒性差等问题,以幼苗期玉米及其伴生杂草为研究对象,提出一种基于轻量卷积神经网络结合特征层信息融合机制的改进单步多框检测器(Single shot multibox detector,SSD)模型。首先,采用深... 针对自然环境下作物与杂草识别精度低、实时性和鲁棒性差等问题,以幼苗期玉米及其伴生杂草为研究对象,提出一种基于轻量卷积神经网络结合特征层信息融合机制的改进单步多框检测器(Single shot multibox detector,SSD)模型。首先,采用深度可分离卷积结合压缩与激励网络(Squeeze-and-excitation networks,SENet)模块构建轻量特征提取单元,在此基础上通过密集化连接构成轻量化前置基础网络,替代标准SSD模型中的VGG16网络,以提高图像特征提取速度;然后,基于不同分类特征层融合机制,将扩展网络中深层语义信息与浅层细节信息进行融合,融合后的特征图具有足够的分辨率和更强的语义信息,可以提高对小尺寸作物与杂草的检测准确率。试验结果表明,本文提出的深度学习检测模型对自然环境下玉米及其伴生杂草的平均精度均值为88.27%、检测速度为32.26 f/s、参数量为8.82×10^6,与标准SSD模型相比,精度提高了2.66个百分点,检测速度提高了33.86%,参数量降低了66.21%,同时对小尺寸目标以及作物与杂草叶片交叠情况的识别具有良好的鲁棒性与泛化能力。本文方法可为农业自动化精准除草提供技术支持。 展开更多

关键词 玉米幼苗 杂草 图像识别 轻量卷积 特征融合 SSD模型

在线阅读 下载PDF 职称材料

KCPNet:张量分解的轻量卷积模块设计、部署与应用 被引量：3

4

作者 王鼎衡 赵广社 +1 位作者 姚满 李国齐 《西安交通大学学报》 EI CAS CSCD 北大核心 2022年第3期135-146,共12页

为解决现有卷积模块在实际应用中内存消耗高、计算效率低的问题,在Kronecker CANDECOMP/PARAFAC(KCP)张量分解的基础上,提出一种轻量、高效、瓶颈结构的卷积模块(KCPNet)。对普通卷积作2阶KCP分解,生成的因子张量分别映射为两层负责输... 为解决现有卷积模块在实际应用中内存消耗高、计算效率低的问题,在Kronecker CANDECOMP/PARAFAC(KCP)张量分解的基础上,提出一种轻量、高效、瓶颈结构的卷积模块(KCPNet)。对普通卷积作2阶KCP分解,生成的因子张量分别映射为两层负责输入输出通道变化的1×1卷积和两层负责特征提取的变通道可分离卷积,再将这4层卷积组成含有瓶颈结构的KCPNet卷积模块。基于OpenCL并行编程框架将KCPNet部署于嵌入式GPU,并围绕pico-flexx深度相机开发了动态手势识别应用。实验结果表明:在ImageNet大规模标准数据集上,相比ResNet、ResNeXt等已有的张量分解卷积模块,KCPNet在准确率相近的情况下能够兼顾空间和计算复杂度的效率;在中等规模标准数据集CIFAR-10上,KCPNet能够在无明显精度损失的前提下将传统的VGG模型压缩至原先的16.1%并节约75.5%的计算量;在面向嵌入式GPU时,并行部署的KCPNet可使CIFAR-10的识别速度达到100帧/s。以KCPNet为核心开发的手势识别应用程序可达到99.5%的准确率和100帧/s以上的运行速度,内存开销为22 MB。 展开更多

关键词 张量分解 Kronecker CANDECOMP/PARAFAC张量分解 轻量卷积模块 并行部署 手势识别

在线阅读 下载PDF 职称材料

基于轻量级全连接张量映射网络的高光谱图像分类方法

5

作者 林知心 郑玉棒 +2 位作者 马天宇 王蕊 李恒超 《电子学报》 EI CAS CSCD 北大核心 2024年第10期3541-3551,共11页

近年来,基于卷积神经网络的深度学习模型已经在高光谱图像分类领域取得优异表现.然而,模型性能的提升通常依赖于更深、更宽的网络结构,导致参数量和计算量增长,从而限制了模型在机载或星载载荷中的实际部署.为此,本文提出基于轻量级全... 近年来,基于卷积神经网络的深度学习模型已经在高光谱图像分类领域取得优异表现.然而,模型性能的提升通常依赖于更深、更宽的网络结构,导致参数量和计算量增长,从而限制了模型在机载或星载载荷中的实际部署.为此,本文提出基于轻量级全连接张量映射网络的高光谱图像分类方法.根据全连接张量网络分解的映射思想以及高光谱图像“图谱合一”的结构特点,本文设计两种张量映射卷积单元,通过使用多个具有全连接结构的小尺寸卷积核代替原始卷积核,降低了卷积层的时间和空间复杂度.此外,基于新单元构建残差双分支张量模块.双分支结构共享同一组权重参数,并采用通道分割操作减少特征通道数,提升特征提取过程的实时性.本文所提模型通过使用新单元和新模块充分挖掘高光谱图像的局部空谱信息和全局光谱信息,有效提高了分类性能并减少硬件资源消耗.在三个常用高光谱图像数据集上的实验结果表明,所提模型相较于其他现有工作具有更高的分类性能以及更低的参数量和计算量. 展开更多

关键词 高光谱图像分类 模型压缩 全连接张量网络分解 卷积神经网络 张量神经网络 轻量卷积模块

在线阅读 下载PDF 职称材料

基于轻量时空图卷积模型的路网交通流预测 被引量：9

6

作者 贺文武 裴博彧 +1 位作者 毛国君 陈维亚 《铁道科学与工程学报》 EI CAS CSCD 北大核心 2022年第9期2552-2562,共11页

交通流预测是智能交通系统的重要组成部分。针对路网交通流天然具有的时空依赖性,结合交通流时序因果卷积与路网空间拓扑结构图卷积,提出一种基于递增式丢边的轻量时空图卷积神经网络模型,实现时空特征的有效融合,建立路网交通流高精度... 交通流预测是智能交通系统的重要组成部分。针对路网交通流天然具有的时空依赖性,结合交通流时序因果卷积与路网空间拓扑结构图卷积,提出一种基于递增式丢边的轻量时空图卷积神经网络模型,实现时空特征的有效融合,建立路网交通流高精度预测模型,提高交通流预测精度的同时降低其计算资源消耗、缩短预测响应时间。模型以单“三明治”式时空卷积模块为核心组件,减少时间卷积与空间卷积间的高计算消耗交互,有效提取交通流时空特征的同时保持整体结构轻量,其中的“厚夹心”空间图卷积采用多层图卷积网络以捕获远程高阶邻居节点信息、扩大空间感受野,并引入递增式丢边策略分阶处理邻居节点边,消解其潜在的过平滑。在模型训练中引入动态初始学习率,随模型训练进程演进动态调适学习率,进一步提升优化器性能,保证模型整体上的优越性。以真实基准交通流数据开展实验,对比分析本文所构建模型与多种相关基线模型的训练时间、预测精度等指标,并分析讨论所建模型在路网各节点上预测结果的离散性及其精度,解析多层图卷积可能具有的过平滑现象以及递增式丢边策略的消解能力。研究结果表明,本文所构建模型能有效捕获路网交通流的时空特性,以更少的训练时间获得更高的预测精度。 展开更多

关键词 智慧交通 路网交通流预测 轻量时空图卷积 递增式丢边 动态初始学习率

在线阅读 下载PDF 职称材料

基于轻量二阶段检测模型的自然环境多类蔬菜幼苗识别 被引量：10

7

作者 孟庆宽 张漫 +3 位作者 叶剑华 都泽鑫 宋名果 张志鹏 《农业机械学报》 EI CAS CSCD 北大核心 2021年第10期282-290,共9页

为实现自然环境下蔬菜幼苗精准快速识别,本文以豆角、花菜、白菜、茄子、辣椒、黄瓜等形态差异大、具有代表性的蔬菜幼苗为研究对象,提出一种基于轻量化二阶段检测模型的多类蔬菜幼苗检测方法。模型采用混合深度分离卷积作为前置基础网... 为实现自然环境下蔬菜幼苗精准快速识别,本文以豆角、花菜、白菜、茄子、辣椒、黄瓜等形态差异大、具有代表性的蔬菜幼苗为研究对象,提出一种基于轻量化二阶段检测模型的多类蔬菜幼苗检测方法。模型采用混合深度分离卷积作为前置基础网络对输入图像进行运算,以提高图像特征提取速度与效率;在此基础上,引入特征金字塔网络(Feature pyramid networks,FPN)单元融合特征提取网络不同层级特征信息,用于增强深度学习检测模型对多尺度目标的检测精度;然后,通过压缩检测头网络通道维数和全连接层数量,降低模型参数规模与计算复杂度;最后,将距离交并比(DistanceIoU,DIoU)损失作为目标边框回归损失函数,使预测框位置回归更加准确。试验结果表明,本文提出的深度学习推理模型对多类蔬菜幼苗的平均精度均值为97.47%,识别速度为19.07 f/s,模型占用存储空间为60 MB,对小目标作物以及叶片遮挡作物的平均精度均值达到88.55%,相比于Faster RCNN、RFCN模型具有良好的泛化性能和鲁棒性,可以为蔬菜田间农业智能装备精准作业所涉及的蔬菜幼苗检测识别问题提供新方案。 展开更多

关键词 蔬菜幼苗 深度学习 作物识别 轻量卷积 二阶段检测模型

在线阅读 下载PDF 职称材料

基于移动端轻量模型的杂草分类方法研究 被引量：5

8

作者 陈启 陈慈发 +1 位作者 邓向武 袁单飞 《中国农机化学报》 北大核心 2022年第2期163-170,共8页

杂草分类的研究大多集中在服务器端模型,而该类模型存在规模较大、占用较多计算资源、计算速度较慢、准确率不高等问题,以ResNet50和MobileNetV3;arge模型为基础,采用数据增强、迁移学习来进行快速训练,在训练中通过设置加权Softmax损... 杂草分类的研究大多集中在服务器端模型,而该类模型存在规模较大、占用较多计算资源、计算速度较慢、准确率不高等问题,以ResNet50和MobileNetV3;arge模型为基础,采用数据增强、迁移学习来进行快速训练,在训练中通过设置加权Softmax损失函数的权重,最后再利用精度高的服务器端模型指导和优化移动端模型,从而得到一个轻量模型。试验结果表明,本文轻量模型相比移动端模型MobileNetV3;arge,在模型大小变化不大的情况下,识别准确率提升1.2%;相比服务器端模型ResNet50,准确率提升0.78%,平均每张推理时间减少7.8%,模型大小减少80%,本研究可为杂草精准施药的实施应用提供理论基础和技术支持。 展开更多

关键词 人工智能 杂草识别 轻量卷积 损失函数 知识蒸馏

在线阅读 下载PDF 职称材料

结合Transformer的轻量化中文语音识别 被引量：14

9

作者 沈逸文 孙俊 《计算机应用研究》 CSCD 北大核心 2023年第2期424-429,共6页

近年来,深度神经网络模型在语音识别领域成为热门研究对象。然而,深层神经网络的构建依赖庞大的参数和计算开销,过大的模型体积也增加了其在边缘设备上部署的难度。针对上述问题,提出了基于Transformer的轻量化语音识别模型。首先使用... 近年来,深度神经网络模型在语音识别领域成为热门研究对象。然而,深层神经网络的构建依赖庞大的参数和计算开销,过大的模型体积也增加了其在边缘设备上部署的难度。针对上述问题,提出了基于Transformer的轻量化语音识别模型。首先使用深度可分离卷积获得音频特征信息;其次构建了双半步剩余权重前馈神经网络,即Macaron-Net结构,并引入低秩矩阵分解,实现了模型压缩;最后使用稀疏注意力机制,提升了模型的训练速度和解码速度。为了验证模型,在Aishell-1和aidatatang_200zh数据集上进行了测试。实验结果显示,与Open-Transformer相比,所提模型在字错误率上相对下降了19.8%,在实时率上相对下降了32.1%。 展开更多

关键词 语音识别 TRANSFORMER 低秩矩阵分解 轻量卷积 模型压缩 稀疏注意力

在线阅读 下载PDF 职称材料

基于IFS-LCT-ViT的时间序列分类方法 被引量：1

10

作者 杨思栋 王珂 +1 位作者 刘兵 苏冰 《南京师大学报(自然科学版)》 北大核心 2025年第2期91-101,共11页

目前针对时间序列分类问题,大多采用一维视角进行分析.二维视角下的时间序列具有更高量级的数据,但相关的研究较少且基本为格拉姆角场法(Gramian Angular Field,GAF)和卷积神经网络模型的组合.文中将对图像视角下的时间序列分类进行深... 目前针对时间序列分类问题,大多采用一维视角进行分析.二维视角下的时间序列具有更高量级的数据,但相关的研究较少且基本为格拉姆角场法(Gramian Angular Field,GAF)和卷积神经网络模型的组合.文中将对图像视角下的时间序列分类进行深入研究,对目前方法存在的相关问题进行优化.首先解决GAF算法的计算冗余问题,提出不平衡因子法(imbalance factor subtraction,IFS),以基础运算替换GAF的三角运算,在不损失分类精度的情况下,减少了图像生成过程的运算.其次针对卷积类模型存在局部偏好的问题,文中将图像识别的任务交给视觉全自注意力网络(Vision Transformer,ViT),通过对时序转换图分割,再对分割后的子块以全局并行计算的方式分配注意力权重,得到图像的整体特征.最后,提出适配ViT模型的轻量卷积令牌(lightweight convolutional token,LCT),通过一维卷积提取原始序列的局部特征,来弥补ViT模型对图像简单硬分割所带来的信息损失.结合以上所有提出了IFS-LCT-ViT模型,为了验证模型的有效性,在UCR官网中的11个数据集上进行了实验.结果表明,该模型与GRU-FCN、TST、GAF-CNN、XCM、OSCNN、MultiRocket相比,在6个数据集上获得了85.9%、80.2%、68.2%、63.0、85.3%和84.0%的最高准确率,证明了该模型在时间序列分类任务上的有效性. 展开更多

关键词 时间序列分类 图像视角 不平衡因子 视觉自注意力网络 轻量卷积令牌

在线阅读 下载PDF 职称材料

融合多尺度特征的高效网片缺陷检测算法

11

作者 何钢 姚远 +2 位作者 韩征彤 邹华涛 王田田 《计算机工程与应用》 北大核心 2025年第11期316-324,共9页

针对人工目视排查大型旋转过滤设备网片缺陷时存在的效率低下,缺陷与背景之间边界模糊及网孔中的小水珠产生反光现象等问题,提出了一个基于多维特征融合的高效网片缺陷检测算法。引入了泊松图像增强技术,实现了缺陷目标与正常背景区域... 针对人工目视排查大型旋转过滤设备网片缺陷时存在的效率低下,缺陷与背景之间边界模糊及网孔中的小水珠产生反光现象等问题,提出了一个基于多维特征融合的高效网片缺陷检测算法。引入了泊松图像增强技术,实现了缺陷目标与正常背景区域的平滑融合,增加了小样本缺陷数量的同时解决了缺陷数量分布不均匀的问题。在YOLOv8中融入轻量多维卷积改进的C2fLWDC(C2flightweight multi-dimensional convolution)模块及加权多特征增强模块,既增强了网络对缺陷特征的提取又实现了各级特征的高效融合,提升了对多尺度缺陷样本的表征能力。采用EIOU(efficient intersection over union)定位损失函数,加速了对缺陷目标的准确定位。网片数据集检测结果表明,改进后的算法mAP(mean average precision)达到92%,相较于原始模型提升了16.8个百分点,能很好地完成缺陷目标的检测任务。 展开更多

关键词 网片缺陷 YOLOv8 轻量多维卷积 特征融合 多尺度

在线阅读 下载PDF 职称材料

基于语义分割的非结构化田间道路场景识别 被引量：17

12

作者 孟庆宽 杨晓霞 +1 位作者 张漫 关海鸥 《农业工程学报》 EI CAS CSCD 北大核心 2021年第22期152-160,共9页

环境信息感知是智能农业装备系统自主导航作业的关键技术之一。农业田间道路复杂多变,快速准确地识别可通行区域,辨析障碍物类别,可为农业装备系统高效安全地进行路径规划和决策控制提供依据。该研究以非结构化农业田间道路场景为研究对... 环境信息感知是智能农业装备系统自主导航作业的关键技术之一。农业田间道路复杂多变,快速准确地识别可通行区域,辨析障碍物类别,可为农业装备系统高效安全地进行路径规划和决策控制提供依据。该研究以非结构化农业田间道路场景为研究对象,根据环境对象动、静态属性进行类别划分,提出一种基于通道注意力结合多尺度特征融合的轻量化语义分割模型。首先采用Mobilenet V2轻量卷积神经网络提取图像特征,将混合扩张卷积融入特征提取网络最后2个阶段,在保证特征图分辨率的基础上增加感受野并保持信息的连续性与完整性;然后引入通道注意力模块对特征提取网络各阶段特征通道依据重要程度重新标定;最后通过空间金字塔池化模块将多尺度池化特征进行融合,获取更加有效的全局场景上下文信息,增强对复杂道路场景识别的准确性。语义分割试验表明,不同道路环境下本文模型可以对场景对象进行有效识别解析,像素准确率和平均像素准确率分别为94.85%、90.38%,具有准确率高、鲁棒性强的特点。基于相同测试集将该文模型与FCN-8S、SegNet、DeeplabV3+、BiseNet模型进行对比试验,该文模型的平均区域重合度为85.51%,检测速度达到8.19帧/s,参数数量为2.41×10^(6),相比于其他模型具有准确性高、推理速度快、参数量小等优点,能够较好地实现精度与速度的均衡。研究成果可为智能农业装备在非结构化道路环境下安全可靠运行提供技术参考。 展开更多

关键词 机器视觉 语义分割 环境感知 非结构化道路 轻量卷积 注意力机制 特征融合

在线阅读 下载PDF 职称材料

基于AM5749的交通标志智能识别系统实验设计 被引量：4

13

作者 罗钧 李志学 龚燕峰 《实验技术与管理》 CAS 北大核心 2021年第8期65-70,共6页

针对传统交通标志识别系统存在识别精度较低、识别种类少和识别实时性较低的不足,设计了一套高精度、低功耗、便携式的交通标志智能识别系统。系统硬件为以德州仪器AM5749高性能处理器为核心的嵌入式开发系统,通过结合训练选择设计的基... 针对传统交通标志识别系统存在识别精度较低、识别种类少和识别实时性较低的不足,设计了一套高精度、低功耗、便携式的交通标志智能识别系统。系统硬件为以德州仪器AM5749高性能处理器为核心的嵌入式开发系统,通过结合训练选择设计的基于深度学习的轻量级卷积神经网络所得的系统软件模型,对多达62种的交通标志图像进行分类识别,结果显示在液晶显示器上。通过该实验,学生加深了对卷积神经网络的理解,熟悉利用嵌入式平台进行深度学习算法的开发流程,提高了解决实际问题的学习和实践能力。 展开更多

关键词 交通标志 图像分类 轻量卷积神经网络 AM5749

在线阅读 下载PDF 职称材料

联合Gabor滤波器和核池化特征学习的单样本人脸识别与验证 被引量：8

14

作者 周稻祥 冯姝 《太原理工大学学报》 CAS 北大核心 2023年第2期384-391,共8页

针对深度网络模型的结构复杂问题,受构建Gabor滤波器无需任何学习过程且与训练数据无关,以及径向基(radial basis function, RBF)核池化能够提取非线性二阶特征的启发,提出一种联合Gabor滤波器和RBF核池化的轻量卷积网络方法。首先对人... 针对深度网络模型的结构复杂问题,受构建Gabor滤波器无需任何学习过程且与训练数据无关,以及径向基(radial basis function, RBF)核池化能够提取非线性二阶特征的启发,提出一种联合Gabor滤波器和RBF核池化的轻量卷积网络方法。首先对人脸图像进行Gabor卷积得到特征图;然后采用双曲正切函数tanh激励特征图以提高特征的表达能力;最后利用多尺度金字塔策略将特征图划分为多个区域,在每个区域上做RBF核池化,所有区域的核池化特征串联得到人脸特征表示。探讨了多个参数对识别性能的影响,对比了协方差池化和核池化的区别和性能。在三个单样本人脸识别和一个视频人脸验证数据集上进行大量实验,结果表明本文方法学习的人脸特征具有优秀的判别能力,对光照、遮挡、年龄等因素具有强鲁棒性。 展开更多

关键词 人脸识别 轻量卷积网络 GABOR滤波器 核池化 空间金字塔

在线阅读 下载PDF 职称材料

基于LAM-Net的轨道侵入界异物自主检测系统 被引量：5

15

作者 叶涛 赵宗扬 郑志康 《仪器仪表学报》 EI CAS CSCD 北大核心 2022年第9期206-218,共13页

针对轨道入侵异物对行车安全造成的极大威胁,而现有的轨道目标检测算法难以平衡检测精度和速度、易受复杂环境影响以及难以部署于嵌入式设备等问题,提出了一种轻量型自适应多尺度卷积神经网络,其通过特征图线性变换简化特征提取过程,使... 针对轨道入侵异物对行车安全造成的极大威胁,而现有的轨道目标检测算法难以平衡检测精度和速度、易受复杂环境影响以及难以部署于嵌入式设备等问题,提出了一种轻量型自适应多尺度卷积神经网络,其通过特征图线性变换简化特征提取过程,使用自适应多尺度特征融合优化特征表达能力,并通过设计轻量型注意力进一步提升异物检测精度;同时,结合NVIDIA Jetson TX2嵌入式平台,研制了轨道入侵异物自主检测系统。实验结果表明,本文提出的模型很好地平衡了检测速度和精度,在NVIDIA GeForce GTX1080Ti的GPU平台上对轨道数据集的检测速度为297 FPS,检测精度为92.96%,比YOLOv4-tiny高7.72%,实现了在轨道交通复杂场景下高精度、高速度以及高鲁棒性的检测入侵异物。 展开更多

关键词 目标检测算法 轻量型卷积神经网络 深度学习 轨道入侵异物 自适应特征融合 检测系统

在线阅读 下载PDF 职称材料

基于NSGA-Ⅱ的自适应多尺度特征通道分组优化算法 被引量：1

16

作者 王彬 向甜 +1 位作者 吕艺东 王晓帆 《计算机应用》 CSCD 北大核心 2023年第5期1401-1408,共8页

针对轻量型卷积神经网络(LCNN)的精确度和复杂度均衡优化问题,提出基于快速非支配排序遗传算法(NSGA-Ⅱ)的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先,将LCNN中的特征融合层结构的复杂度最小化和精确度最... 针对轻量型卷积神经网络(LCNN)的精确度和复杂度均衡优化问题,提出基于快速非支配排序遗传算法(NSGA-Ⅱ)的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先,将LCNN中的特征融合层结构的复杂度最小化和精确度最大化作为两个优化目标,进行双目标函数建模及理论分析;然后,设计基于NSGA-Ⅱ的LCNN结构优化框架,并在原始LCNN结构的深度卷积层之上增加基于NSGA-Ⅱ的自适应分组层,构建基于NSGA-Ⅱ的自适应多尺度的特征融合网络NSGA2-AMFFNetwork。在图像分类数据集上的实验结果显示,与手工设计的网络结构M_blockNet_v1相比,NSGA2-AMFFNetwork的平均精确度提升了1.2202个百分点,运行时间降低了41.07%。这表明所提优化算法能较好平衡LCNN的复杂度和精确度,同时还可为领域知识不足的普通用户提供更多性能表现均衡的网络结构选择方案。 展开更多

关键词 轻量型卷积神经网络 特征提取通道分组优化 双目标函数建模 快速非支配排序遗传算法 图像分类 进化算法

在线阅读 下载PDF 职称材料

基于MobileNet V2的田间葡萄果穗成熟度判别 被引量：3

17

作者 张立 周文静 《新疆农机化》 2022年第6期29-31,42,共4页

葡萄的成熟度主要依靠人的感官判断,缺乏客观标准,严重影响葡萄的整体品质。针对以上问题,本文采用MobileNetV2轻量级的卷积神经网络模型对葡萄成熟度进行判别。田间采集红提葡萄图像共计380张,构建数据集,以不同着色度为指标,对数据集... 葡萄的成熟度主要依靠人的感官判断,缺乏客观标准,严重影响葡萄的整体品质。针对以上问题,本文采用MobileNetV2轻量级的卷积神经网络模型对葡萄成熟度进行判别。田间采集红提葡萄图像共计380张,构建数据集,以不同着色度为指标,对数据集进行分类,并按7:2:1分为训练集、验证集、测试集,将训练集、验证集预处理后采用该数据集训练MobileNetV2模型。由测试集的试验结果,得到试验训练MobileNetV2模型所获得的分类准确率为87%。最后采用QT语言设计了可视化的界面。本文的研究将有利于推进葡萄采摘的自动化,降低葡萄采摘成本、提高葡萄的经济效益。 展开更多

关键词 红提葡萄 着色度 轻量卷积神经网络 果穗

在线阅读 下载PDF 职称材料

CPU环境下快速精确的人脸检测方法 被引量：1

18

作者 江航 董兰芳 《小型微型计算机系统》 CSCD 北大核心 2020年第1期155-160,共6页

近年来人脸检测在使用深度学习方法的情况下,取得了显著的突破.然而人脸检测在CPU上实时运行并且保持很高的精度依然是一个很大的挑战.本文提出一种轻量的卷积网络模型,可以加快卷积神经网络提取特征的速度;对相邻卷积层进行特征融合,... 近年来人脸检测在使用深度学习方法的情况下,取得了显著的突破.然而人脸检测在CPU上实时运行并且保持很高的精度依然是一个很大的挑战.本文提出一种轻量的卷积网络模型,可以加快卷积神经网络提取特征的速度;对相邻卷积层进行特征融合,在融合后的多个卷积层检测人脸;为了使每一层的anchor密度相同,对anchor做了稠密化处理;修改了人脸检测分类损失函数,使其更关注比较难分类的样本.在公开数据集FDDB的实验表明,在本文提出的神经网络模型下准确率达到了95.9%,并且可以在CPU上实时检测. 展开更多

关键词 人脸检测 轻量型卷积网络 卷积层融合 anchor稠密化 新分类损失

在线阅读 下载PDF 职称材料