摘要：为解决弹载终端环境下深度卷积神经网络模型体积较大、运算硬件要求高的问题,构建了一种基于改进双通道注意力机制的轻量化网络结构。针对网络轻量化会牺牲分类准确率的问题,以轻量化网络结构MobileNetV2为基准网络架构,引入自主设计的注意力模块,设计了基于SPP-DCAM模块的MobileNetV2网络架构,使卷积层学习的显著特征图的权重增加,以提升其分类准确率;设计的空间信息与通道信息并联输入,通过定义1×1和3×3的小卷积在保证结构轻量化的基础上减少了计算量和计算复杂度。最后,在cifar-100图像分类数据集进行实验对比。结果表明:相对于改进MobileNetV2,在参数量和计算复杂度基本不变的基础上,分类精度优于传统的VGG16,ResNet18和DenseNet卷积网络,综合性能更强,更适合弹载计算资源有限情况下的快速分类。

摘要：针对苹果叶片病害识别准确率低以及现有模型难以适应真实复杂场景等问题,提出一种改进的轻量化网络——MobileViT_filter_FCN,以提高对苹果叶片病害的识别准确率,并使得模型可以适应户外的复杂光照及遮挡环境。首先收集5类常见苹果叶片病害(如落叶病、褐斑病等)的图像样本,并利用多种数据增强技术对样本数据进行预处理(如水平翻转、垂直翻转等),以增加样本数据的多样性并提高模型的泛化能力;接着利用傅里叶变换技术设计一个可学习的滤波器层Filter layer,替换原始MobileViT模型中的多头注意力结构,以降低图片中的噪声影响并提高模型性能;最后,在修改后的MobileViT模型基础上,利用深度卷积层和残差结构设计一种FCN结构,结合该结构增强模型对病害图像的特征学习能力,进一步提高模型性能。试验结果表明,改进后的MobileViT_filter模型对苹果叶片病害的平均识别准确率达到97.73%,较原模型提高0.95百分点;在该基础上加入FCN结构后,平均识别准确率达到98.03%,较原模型提高1.25百分点,同时参数量减少2.6 M。

摘要：在基于深度学习的合成孔径雷达(SAR)图像舰船检测领域,传统的模型通常结构复杂、计算量大,难以适配低算力平台并实现实时检测;同时,依赖于预设锚框的卷积神经网络因锚框位置较难合理设置,容易导致大量计算冗余。针对上述问题,提出一种基于无锚框的端到端轻量化卷积神经网络,设计了一种轻量的通道注意力模块(EESE)并将其应用于解耦合检测头(ED-head)上,有效解决了分类和定位2种任务的冲突。此外,提出一种优化的EIOU损失函数,在保证推理速度几乎不变的情况下有效提升网络性能。在SSDD数据集上的实验结果表明:与YOLOX-nano相比,该方法的AP50和AP分别提高2.1和7.4个百分点,在CPU上推理延迟仅5.33 ms,远小于YOLOX-nano的13.13 ms,实现了精度与效率的平衡。

摘要：由于存储资源和功耗等限制,在嵌入式设备上部署基于深度学习的目标检测算法存在困难,且效果不佳.基于YOLOv4算法,提出了一种改进的YOLOv4-Light轻量化网络模型,采用GhostNet网络结构替换CSPDarknet53作为主干提取网络,引入CBAM注意力机制关注通道和空间两个维度的特征信息,并利用感知量化方法对权重进行INT8量化处理,在保证精度的情况下降低网络模型规模和参数量.在PC端和NVIDIA Jetson Xavier NX上选用VisDrone无人机数据集分别对网络模型进行测试,结果表明YOLOv4-GhostNet-CBAM模型的尺寸是160M,比YOLOv4降低了34.43%;检测速率最高可达到34.6FPS,比YOLOv4提高了56.6%.YOLO-Light模型的尺寸是40.2M,比YOLOv4降低了83.5%;检测速率最高可达到78.6FPS,为YOLOv4的3.6倍,且交并比为0.5时的平均精度均值(mAP50)与YOLOv4相比仅下降了3%.YOLO-Light模型相较于原模型优势明显,能够在低功耗的嵌入式设备上完成实时目标检测.

摘要：针对真实环境下苹果叶片病害识别背景复杂、识别准确率不高的问题,提出了一种改进轻量化网络MobileNeXt的苹果叶片病害识别方法。首先收集了4类常见苹果叶片病害图像样本,每类由简单背景图像与复杂背景图像混合,通过多种数据增强方式对图像进行处理,以增加样本多样性,提高模型的泛化能力。接着基于轻量化网络MobileNeXt中的sandglass结构,引入协调注意力机制CA分配权重,以区分目标与背景,同时结合Inception模块与Ghost模块,设计了2种SCI(Sandglass-CA-Inception)结构,在参数增加量尽可能小的前提下,扩充网络深度与宽度,增强模型对于背景复杂病害图像的特征学习能力。试验结果表明,改进后的模型相比于MobileNeXt,Top-1准确率提升了1.23百分点,平均精确率提升了1.18百分点,参数量只增加了0.62 M,为真实场景下的苹果叶片病害识别提供了一种有效的解决方案。

摘要：针对现有车载毫米波雷达目标分类方法存在静止杂波干扰和网络模型复杂度高的问题,本文将Ghost模块和MobileNet相结合设计了G⁃MobileNet轻量化神经网络,并提出了一套完整的车载毫米波雷达目标分类流程。首先对雷达原始AD采样信号进行向量均值相消处理,滤除静止杂波,再进行二维快速傅里叶变换(FFT)得到目标的距离⁃多普勒(RD)图像,最后使用G⁃MobileNet对RD图像特征进行提取及分类得到分类结果。实测数据处理结果表明,所提方法能够消除静止杂波对多普勒特征产生的干扰,且分类网络模型复杂度低,在具有较高的分类准确率的同时节省了网络模型储存空间和运行网络所需内存。

摘要：轻量化网络已成为面向工业场景部署的关键技术。为进一步提升Ghost module的特征提取能力并减少参数量,提出了一种改进的S-Ghost瓶颈模块(Small Ghost Bottleneck)。此瓶颈模块采用1×1卷积通道与Ghost module并联的结构,缩减Ghost module的通道数以压缩参数量,并用与之并联的1×1卷积进行通道扩充;在模块输出端引入通道混洗(Channel Shuffle)操作以保证通道间信息交互。实验结果表明,利用该瓶颈结构设计的图像分类网络LGSNet (Light Ghost Networks,LGSNet),其计算量和参数量显著降低,同时网络精度与推理速度未受影响,甚至在一些测试中取得最优,此网络设计满足工业需求。这为面向工业场景的轻量化网络架构设计提供了新的解决方案和思路。

摘要：针对传统的目标检测算法难以实现无人战车在高帧率、红外白光条件下目标检测与识别的问题,提出了一种基于轻量化网络的目标快速检测与识别方法。首先在分析目标检测与识别技术路线和总体结构基础上,采用YOLOv3算法,以MobileNetV2为基础框架,实现网路的轻量化设计;其次,通过采集数量目标红外和白光图像,建立目标图像数据集;最后,利用MobileNet-YOLOv3轻量化网络结构,完成红外图像数据集的训练。实验结果表明,比与原始网络结构,训练后的轻量化网络模型大小减少了80%,速度提升了一倍,在VOC2007与红外图像测试数据集上,mAP能达到75.24%,以上数据表明,轻量化后的网络能在红外、白光图像上实现快速地对目标检测与识别任务。

摘要：保证变电站运行安全和可靠,自动检测变电站设备缺陷是电网智能化的关键。提出基于轻量化网络的变电站缺陷图片检测算法。针对目前传统的深度网络深度较深,耗时较长,易发生梯度爆炸、消失的情况,以及变电站智能监控实时性要求高的问题,提出了一种基于轻量化网络的变电站缺陷图片检测算法。该算法通过深度网络的轻量化设计,不仅可降低计算时间复杂度和空间复杂度,并且能提升检测准确度。该算法利用轻量化的特征提取网络进行图片的多尺度特征提取,且能根据多尺度特征进行目标种类和位置的检测。以变电站现场故障图片作为实验数据,对比测试了SSD算法和所提算法在面对不同故障的检测准确率。实验结果表明,所提算法在变电站故障检测任务中比SSD算法更加准确,为变电站故障检测提供了有效的手段。

摘要：针对海上多平台资源受限条件下的舰船目标识别任务,提出一种基于轻量化深度网络的舰船目标识别方法,通过深度可分离卷积及多尺度语义信息融合等进行改进。设计了嵌入式平台应用背景下的轻量化舰船目标识别方法,在自建目标数据集保证top5准确率达到93.5%情况下,实现了模型参数量与计算量的大幅度削减。证明了该网络在低功耗资源受限情况下能够有效完成舰船目标识别任务。