摘要：行人检测器对算法的速度和精确度有很高的要求。虽然基于深度卷积神经网络(DCNN)的行人检测器具有较高的检测精度,但是这类检测器对硬件设备的计算能力要求较高,因此,这类行人检测器无法很好地部署到诸如移动设备、嵌入式设备和自动驾驶系统等轻量化系统中。基于此,提出了一种更好地平衡速度和精度的轻量级行人检测器(EPDNet)。首先,主干网络的浅层卷积使用深度可分离卷积以压缩模型的参数量,深层卷积使用标准卷积以提取高级语义特征。另外,为了进一步提高模型的性能,主干网络采用特征融合方法来增强其输出特征的表达能力。通过实验对比分析,EPDNet在2个具有挑战性的行人数据集Caltech和CityPersons上表现出了优越的性能,与基准模型相比,EPDNet在速度和精确度之间获得了更好的权衡,EPDNet的速度和精确度同时得到了提高。

摘要：人工智能时代,RISC-Ⅴ作为一种新兴的开源精简指令集架构,因其低功耗、模块化、开放性和灵活性等优势,使之成为一种能够适应不断发展的深度学习模型和算法的新平台.但是在硬件资源及功耗受限环境下,基础的RISC-Ⅴ处理器架构无法满足卷积神经网络对高性能计算的需求.为了解决这一问题,本文设计了一个基于RISC-Ⅴ的轻量化深度可分离卷积神经网络加速器,旨在弥补RISC-Ⅴ处理器的卷积计算能力的不足.该加速器支持深度可分离卷积中的两个关键算子,即深度卷积和点卷积,并能够通过共享硬件结构提高资源利用效率.深度卷积计算流水线采用了高效的Winograd卷积算法,并使用2×2数据块组合拼接成4×4数据片的方式来减少传输数据冗余.同时,通过拓展RISC-Ⅴ处理器端指令,使得加速器能够实现更灵活的配置和调用.实验结果表明,相较于基础的RISC-Ⅴ处理器,调用加速器后的点卷积和深度卷积计算取得了显著的加速效果,其中点卷积加速了104.40倍,深度卷积加速了123.63倍.与此同时,加速器的性能功耗比达到了8.7GOPS/W.本文的RISC-Ⅴ处理器结合加速器为资源受限环境下卷积神经网络的部署提供了一个高效可行的选择.

摘要：磁共振成像(MRI)在缺血性脑卒中的诊断中扮演着重要的角色,准确分割梗死病灶对于介入治疗方法的选择以及评估患者预后效果有着重要的意义。针对现有分割方法对于多尺度脑卒中梗死病灶分割精度较差的问题,本文提出了一种新型的基于深度可分离卷积的编码器—解码器结构网络。首先,该网络将U型网络(U-Net)原有的卷积层模块替换为重新设计的深度可分离卷积模块;其次,引入改进型空洞空间金字塔池化(MASPP),扩大感受野,以加强多尺度特征的提取;再次,在网络的跳跃连接处加入注意力门(AG)模块,进一步增强网络对于多尺度目标的分割精度;最后使用缺血性脑卒中梗死分割2022年挑战赛(ISLES2022)数据集进行实验,本文算法在该数据集上的戴斯相似系数(DSC)、豪斯多夫距离(HD)、敏感度(SEN)、准确度(PRE)分别为0.8165、3.6681、0.8892、0.8946,优于其他主流分割算法。实验结果表明,本文方法能有效地提高梗死病灶的分割效果,有望为临床诊断和治疗提供可靠辅助。

摘要：针对传统声纳处理器算力受限,能效比低,难以支撑水声目标识别实时推理的问题,本文基于异构SoC平台设计了面向被动声纳水下目标实时计算处理系统。该系统具有较低资源开销和较小分类精度损失等优点,是一种低时延、高能效比的硬件加速器解决方案。本文以MobileNetV1网络模型为基础并对其进行结构优化,在现场可编程门阵列(Field programmable gate array,FPGA)上通过并行流水线的加速结构实现它的前向推理过程,并对其权值参数进行二值化的处理,以达到减少存储量和计算量的同时加快其推理速度的目的。同时,根据在输入通道维度以及输出图像高度上分块并行的优化思想,设计了深度可分离卷积的流水优化策略,采用并行流水的结构极大减少了前向推理的时间。实验表明,在利用出海实际采集得到的水声数据集上,本文实现的系统识别精度为88.5%,在的分辨率的图像上,时间延迟达到4.23 ms。对比CPU速度提升了70.68倍,是GPU速度的68%。能效比分别为CPU的0.08%,GPU的2.12%。本文为神经网络在硬件资源有限以及功耗存在限制的轻量型移动端或者边缘设备上的应用与部署,以及对促进融合水下勘探网络的建设和水下信息的快速获取提供了设计思路。

摘要：针对现有车辆识别方法对于车型实时识别能力不足的问题,提出一种改进的深度可分离卷积的SSD(single shot multibox detector)算法用于车型识别研究。首先,利用深度可分离卷积网络进行特征提取,并引入反残差模块来解决因通道数少、特征压缩导致的准确率下降问题。其次,以车辆的刚体特性为依据,重新设计区域候选框,减少模型参数运算量。最后,在BIT-Vehicle数据集上进行消融实验来对比不同网络模型性能差异。结果表明:改进的深度可分离卷积的SSD车型识别方法有更好的车型识别效果,可以达到96.12%的识别精度,检测速度提高至0.078 s/帧。

摘要：时间卷积网络(TCN)在处理时间序列预测问题时存在计算量大和参数冗余问题,导致其难以应用于存储空间和计算能力受限的手机、平板电脑、笔记本电脑等移动终端。为此,设计一种轻量级时间卷积网络(L-TCN)。采用深度可分离卷积代替TCN中的普通卷积,先通过通道卷积对普通卷积在空间维度上进行分离,以增加网络宽度并扩大特征提取范围,再利用逐点卷积降低普通卷积操作的计算复杂度。实验结果表明,与TCN网络相比,L-TCN在保证时间序列预测精度的同时,能减少网络模型的参数量和计算量,适用于存储空间和计算能力受限的移动终端。

摘要：为解决低照度图像颜色失真、对比度低以及现有增强算法存在的细节丢失严重、参数过多等问题,提出基于多尺度深度可分离卷积的低照度图像增强算法。首先,设计多尺度混合空洞卷积模块,在扩大感受野的同时解决网格效应;其次,设计多尺度特征提取模块,提取不同尺度的特征信息;最后,对不同尺寸的特征图使用2种模块,将低层空间信息与高层语义信息充分融合,获得最终输出。用深度可分离卷积代替标准卷积可大大减少网络参数量与计算量。实验结果表明,所提算法能有效地提高图像的亮度和对比度,减少模型参数量,且图像纹理细节及色彩恢复较好。

摘要：为解决在复杂环境下人脸表情识别模型泛化能力不足、识别精度及效率不高的问题,提出一种基于深度可分离卷积的人脸表情识别方法。利用人脸分割网络分割出人脸图像中与表情识别最相关的感兴趣区域,减少非重要因素影响;利用深度可分离卷积构建两个基分类器,实现模型轻量化;采用联合微调方法融合基分类器,提升模型识别率。实验结果表明,在FER-2013数据集上的识别率达到75.15%,较Kaggle表情识别挑战赛冠军提高了3.95%;在CK+和JAFFE数据集上的识别率高达98.98%、97.14%,验证了其有效性。

摘要：小麦的栽培管理措施依赖于其生育进程的监测,而传统人工观测小麦生育信息的获取方式,不仅效率低而且无法满足实时、快速的监测需求。为了解决上述问题,本研究提出一种基于深度可分离和空洞卷积的轻量化小麦生育进程监测方法,开展对小麦生育进程自动识别的研究。通过对试验田小麦完整生育周期内物候特征的持续拍摄,得到小麦各生育期分类图像数据集,并使用去中心化、错位缩放、翻转变换的图像增强方式对小麦生育期数据集进行扩充;通过使用深度可分离卷积有效地降低了模型的参数量和训练时间,在此基础上加入空洞卷积技术扩大网络中的感受野,提高网络对边缘的特征学习能力,并借助残差网络的技术逐步加深神经网络的深度,构建小麦生育进程监测模型。结果表明,本研究提出的监测模型在识别准确率方面高于经典的VGG16、InceptionV3、ResNet50模型,达到了98.6%。参数规模降低至1.3 MB,相比于轻量级模型MobileNetV2降低了58%,同等环境下在识别速度方面较MobileNetV2提高了47%;同时,利用TensorFlow Serving对监测模型进行部署,遵循前后端分离,采用SpringBoot及BootStrap等技术框架,开发了小麦生育进程智能监测服务系统,系统具有很好的松耦合性和灵活性。本研究为小麦生育进程智能化识别提供了技术支撑,也为低分类场景设计轻量且高效的卷积神经网络模型提供了可借鉴的方法。

摘要：针对全天候条件下道路车道线视觉检测技术存在的算法结构复杂、参数数量较多等问题,提出一种基于深度可分离卷积和残差注意力模块的车道线检测方法,建立了LPINet网络模型。利用深度可分离卷积减小输入图像尺寸,设计三种不同结构的瓶颈残差单元降低网络参数数量,引入ECANet注意力机制增加重要特征通道权重,提升车道线检测精度。在Tusimple数据集和GZUCDS自建数据集上的实验结果表明:在晴天场景下,LPINet网络车道线检测精度可达96.62%,且模型参数量降至1.64 MB,实现了轻量化设计;在雾天、雨天、夜晚和隧道复杂场景中进行了探索性研究,车道线检测精度达到93.86%,证明了方法的有效性。