摘要：特征点提取是视觉同时定位与建图(Visual Simultaneous Localization and Mapping,VSLAM)的重要步骤之一,近年来出现的基于深度学习的特征点提取方法通常效率较低,无法满足实时性要求,也不能提供描述符所需的几何不变性.为此,文中提出轻量化特征点及可变形描述符提取网络(Lightweight Keypoint and Deformable Descriptor Extraction Network,LKDD-Net),在主干网络中引入轻量化网络模块,提高特征提取效率.LKDD-Net可同时获取特征点位置和可变形描述符.为了验证LKDD-Net的有效性,设计视觉里程计系统.在HPatches、TUM RGB-D公共数据集上的实验表明,LKDD-Net可在GPU上实时运行,特征点提取时间仅为8.3 ms,同时在各种场景中保持高精度和强鲁棒性,而且其构成的视觉里程计系统性能较优.

摘要：近年来,全国的交通安全形势日益严峻,交通事故频繁发生,人员伤亡和财产损失惨重。其中,因视觉盲区受限引起的人车碰撞事故最为常见,由于传感器的高昂造价和在盲区检测方面的研究应用较少,预防此类事故主要依靠司机驾驶经验。针对盲区检测和研究的不足,提出一种简洁高效的轻量化盲区检测网络BsDet和BsDet+。轻量化网络以最先进的YOLOv8为基础,结合其他YOLO网络的优点,在头部和颈部进行了轻量化重构,在特征提取部分使用改进的深度可分离卷积降低网络的参数量与计算量。在特定层使用更大的卷积核来扩大感受野,进一步提高网络的检测精度。在构建的盲区数据集进行实验,实验结果表明,BsDet拥有97.72%的mAP和300.76 f/s的FPS,BsDet+的mAP和FPS分别为99.35%和181.31 f/s,相比于SOTA方法,提高了36.8%的检测速度和1.44%的mAP。两种网络分别在树莓派、安卓手机和便携式计算机上进行部署与测试,结果显示在任何平台上,BSDet均拥有最高的检测速度。BsDet和BsDet+可适用于不同性能的硬件与检测需求,具有设备要求低、准确率高、速度快等特点,不仅为轻量化设计提供了借鉴,也能够有效改善基于视觉的辅助驾驶技术。

摘要：在YOLOv5模型的基础上设计了一种改进的轻量化网络,能够快速准确地实现钢材表面缺陷检测。首先,使用基于梯度路径设计的ELAN结构,通过提高网络的学习能力来提高检测精度;其次,引入深度可分离卷积和Ghostv2模块减少模型体积和参数量;最后,利用SIOU边界框损失函数训练模型,使模型能够快速收敛并且精确回归。在NEU-DET上的实验结果表明,改进后的模型mAP值提升到77.0%,相较于原模型提高了5.3%,模型体积减少了42.1%,参数量减少了43.4%,检测速度也快了0.4 ms,实现了模型轻量化效果和检测精度的平衡,为后续在硬件终端上部署提供了一种可行方案。

摘要：现有的用于矫正透视倾斜变形文档的深度学习模型存在空间泛化性差、模型参数量大、推理速度慢等问题。从姿态估计的角度出发,提出一种轻量化文档姿态估计网络DPENet(lightweight document pose estimation network),以优化上述问题。将文档图像中的单一文档视为一个姿态估计对象,将文档的四个角点视为文档对象的四个姿态估计点,采用兼具全连接回归与高斯热图回归优点的DSNT(differentiable spatial to numerical transform)模块实现文档图像角点的高精度定位,并通过透视变换处理实现透视变形文档图像的高精度矫正。DPENet采用轻量化设计,以面向移动端的MobileNetV2为主干网络,模型体量只有10.6 MB。在SmartDoc-QA(仅取148张文档图像)数据集上与现有的三种主流网络进行了对比实验,实验结果表明,DPENet的矫正成功率(96.6%)和平均位移误差(mean displacement error,MDE)(1.28个像素)均优于其他三种网络,同时其平均矫正速度也有良好的表现。在保持轻量化和速度快的条件下,DPENet网络具有更高的变形文档矫正成功率和矫正精度。

摘要：针对当前杂草检测算法普遍面临的模型参数量庞大、实时检测性能不佳以及难以适配移动除草设备等挑战,提出了一种高效且轻量化的网络模型。该模型的核心在于对YOLOv5框架的整体改造与优化,旨在实现资源占用最小化与检测性能的最优化平衡。具体而言,引入了基于Bottleneck设计的ShuffleNet V2网络作为YOLOv5的骨干架构,这一举措有效利用了ShuffleNet V2在保持高效推理速度的同时减少参数量的优势。进一步地,将原卷积模块与C3模块分别替换为CSconv模块和C3Ghost模块,这些轻量化组件不仅减轻了计算负担,还通过更高效的特征提取机制提升了模型性能。为增强模型在复杂多变环境中的目标识别能力,融入了无参数SimAM注意力机制,该机制无需额外学习参数即可动态调整特征图的重要性,从而增强了模型对关键信息的敏感度。同时,还集成了轻量级的空间组增强模块(SGE),该模块通过优化空间特征分布,进一步提升了模型的鲁棒性和准确性。为了验证改进后的模型能够适配移动设备,将此模型移植到Jetson nano开发板上进行试验,数据集为芝麻作物与杂草检测数据集。实验数据表明:经过这一系列改进后,新模型的参数量仅为原始YOLOv5网络的1/5,模型体积压缩至2.9MB,在开发板上的帧率为23fps,一般摄像头拍摄的视频帧率为25fps,基本可以在开发板上流畅运行,尽管模型准确率略有下降(仅0.09%),但这一微小牺牲换来了模型在资源受限条件下的卓越表现,实现了检测精度与计算效率的完美平衡。

摘要：当前,深度神经网络作为学术界和工业界最受关注的研究方向之一,倍受广大科研人员青睐,但是存在架构很复杂、参数量巨大、计算成本、存储成本过高的缺点。因此,如何在保证神经网络性能可接受的情况下对其去冗余、实现轻量化设计成为热点问题。当前,各种轻量化方法如雨后春笋般涌现,为给希望利用轻量化神经网络解决具体问题的研究人员建立对网络轻量化方法的整体认识、快速选择合适的解决方案,文中对具有代表性的架构轻量化方法进行介绍:剪枝、架构搜索、知识蒸馏以及轻量化卷积核设计,并从不同角度对比分析各种方法优劣,最后在宏观层面展望神经网络轻量化的未来发展方向。

摘要：针对现有的基于深度学习模型的步态识别算法难以在嵌入式设备上部署的问题,利用冗余特征图理论,提出了一种结构简单,具有一定深度,参数量较少适用于步态识别的卷积神经网络模型.该方法在预设卷积层添加注意力机制,选取出主要的步态特征图;利用无需训练的线性操作,从主要的特征图中派生出冗余的特征图,并将两部分特征图通道相加作为输出.在保障了卷积层提取足够多的特征图的同时,有效地降低了卷积层需要训练的参数量.并设计了一种基于该思想的轻量化模块,用堆叠的方式组建成新的轻量化网络,在提高识别率同时减少整个网络的参数量.在中科院CASIA-B步态数据上进行了多组身份识别测试实验.该方法在正常行走状态,背包行走状态以及穿着大衣行走状态的平均识别率均超过95%.在跨视角条件下三种状态的平均识别率分别为93.89%、85.29%、69.41%,与其他深度学习模型相比有明显提升.并且整个深度学习模型大小仅为12M,具有收敛速度快、训练时间短等优势.

摘要：中国远洋鱿鱼捕捞技术比较单一,智能化的鱿鱼捕捞技术对远洋渔业资源统计至关重要。在智能化鱿鱼捕捞作业过程中,以YOLOV3算法检测时,其特征提取网络Darknet53模型参数量较大,模型输出权重存储量较高,降低了检测速度。为此,建立轻量化MobileNetV3网络作为特征提取网络,进行初步有效特征提取,再设计CSP瓶颈层作为逆瓶颈结构,提高特征提取能力;最后通过CIoU模型建立网络模型的损失函数。在实验室环境下,使用Squid数据集验证轻量化网络模型的有效性,并对其主干网络与损失函数的性能进行分析。通过训练目标数据集,将轻量型网络模型与YOLOV3网络模型结构做消融试验,验证轻量化网络应用在远洋捕捞技术上的准确性以及实用性。结果显示,轻量化网络结构的性能明显优于YOLOV3网络模型结构,可以大幅度降低参数量,提高检测速度,缩短检测时间,提高检测率,提高了鱿鱼实时检测的工作效率。本研究成果为远洋渔业资源调查提供重要依据。

摘要：针对卷积神经网络计算资源消耗大、难以在边缘侧应用等问题,提出了一种面向FPGA(Field Programmable Gate Array)平台的基于知识蒸馏的轻量化卷积神经网络辐射源信号识别方法。该方法以信号时频图作为特征提取对象,结合改进的知识蒸馏方法对卷积神经网络进行轻量化处理,通过注意力图增强知识信息传递,并融合深度可分离卷积,进一步提高网络稀疏度。最后,将该轻量化网络在FPGA平台上进行结构优化,通过改进循环策略和流水线并行设计,加速轻量化卷积神经网络的辐射源信号识别过程。仿真结果显示,利用本文提出的轻量化卷积神经网络辐射源信号识别算法,网络参数量降低了81.8%,在信噪比不低于-12dB的条件下,信号识别准确率达到了90%以上,FPGA平台信号识别时间为86ms,平均功耗为2W,可满足边缘侧终端对信号实时检测以及低功耗的实际应用需求。

摘要：针对人体姿态估计中多分辨率特征融合时出现的特征信息丢失的问题,基于Lite-HRNet引入多谱注意力机制,设计了一个轻量级的结合多谱注意力机制的高分辨率人体姿态估计网络LiteMSA-HRNet.将多谱注意力机制融入Lite-HRNet,利用多个频率分量,提取更丰富的特征信息,获得更优的多分辨率特征重复融合的效果;在主体网络后利用一个反卷积模块,将其生成的更高分辨率特征和主体网络生成的高分辨率特征进行融合;引入通道置换、逐点分组卷积和深度可分离卷积,轻量化反卷积模块中的残差块,提升网络定位关键点的速度.在COCO2017数据集上的实验结果表明,与其他网络相比,Lite MSA-HRNet在人体姿态估计精度和复杂度之间取得了较好的平衡结果.