摘要：为提升轻量级卷积神经网络在硬件平台的资源利用效率和推理速度,基于软硬件协同优化的思想,提出一种面向FPGA平台的轻量级卷积神经网络加速器,并针对网络结构的特性设计专门的硬件架构。与多级并行策略结合,设计一种统一的卷积层计算单元。为降低模型存储成本、提高加速器的吞吐量,提出一种基于可微阈值的选择性移位量化方案,使计算单元能够以硬件友好的形式执行计算。实验结果表明,在Arria 10 FPGA平台上部署的MobileNetV2加速器能够达到311 fps的推理速度,相比CPU版本实现了约9.3倍的加速比、GPU版本约3倍的加速比。在吞吐量方面,加速器能够实现98.62 GOPS。

摘要：现如今在视觉领域中卷积神经网络模型在确保识别率不大幅降低的前提下正朝着更低的计算量;更少的参数;更小的存储占用的轻量化趋势发展。文章列举了近年来经典的轻量级卷积神经网络,总结归纳了各个网络的特点和创新之处,为后继相关学者提供参考。

摘要：针对复杂光照和人脸倾斜条件下口罩佩戴检测准确率低的问题,提出一种利用轻量级卷积神经网络在复杂环境下的口罩佩戴检测方法.该方法利用难样本挖掘预训练学习更多的人脸特征,结合多任务级联卷积神经网络先判别是否有人脸信息,对其进行精准的人脸定位;在特征金字塔网络中添加注意力机制,增强了人脸关键点信息的权重,利用轻量级神经网络将口罩佩戴检测视为简单的二分类问题进行判断.在TensorFlow的环境下完成了数据训练、数据预处理、与AIZOO方法对比实验,收集建立了包含816张图片的数据集进行标注并训练;在对数据进行预处理操作时先将图片设定为固定大小以降低运算量,提高检测速度,再利用图像增强算法进行扭曲处理提高模型的鲁棒性.在此基础上,利用MTCNN检测图片中的人脸并对其进行修正和归一化操作,然后传入神经网络并利用已经训练好的模型进行检测.实验结果表明,在复杂光照和人脸倾斜等复杂条件下,文中方法的准确率分别达到83%和91%,可以有效地进行口罩佩戴检测.

摘要：在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。

摘要：针对目前基于深度学习的电力线路巡检中目标检测速度慢、准确率低的问题,提出了一种采用经量级卷积神经网络的电力线路故障检测方法,对销钉缺陷、绝缘子自爆以及鸟巢这三种常见故障进行检测。在YOLOv5(You Only Look Once v5)算法的基础上,首先使用Ghost模块设计轻量级网络,减小网络的参数量和计算时间,提高了线路巡检的实时性;其次,利用跨层级联的方式改进特征金字塔,更好地融合特征,提高了网络的精度;最后,使用CIoU Loss损失函数加快网络的收敛速度。经过实验验证,原来的YOLOv3模型和YOLOv5模型进行对比,巡检平均精度均值提高了3.49%和1.23%,巡检时间分别降低了10.752ms和5.577ms,验证了方法的有效性。

摘要：针对现有植物叶片识别研究存在的模型泛化性差的问题,本文设计一个基于MobileNetV3-Large网络和迁移学习的植物叶片识别系统.通过自采集图像补充数据和使用图像锐化、翻转、亮度增强等方法构建了包含32种植物的大规模叶片数据集,以MobileNetV3-Large网络和预训练权重为前提,寻找最佳超参数完成模型的迁移学习,对32种植物叶片进行特征提取和分类.通过PyQt5的前后端部署,该方法被实例化为一个实用性强的植物叶片识别系统.在测试集上的实验结果表明,MobileNetV3-Large达到98.45%的识别准确率,与AlexNet、ResNet和MobileNetV2相比分别提高12.46%、1.09%和9.62%,有效弥补了模型泛化性差的短板.该系统对32类植物的叶片的识别效果颇佳,满足各种场景下的植物叶片种类识别的需求.

摘要：针对变电站检修中非工作人员误入现场和工作人员不按照规范佩戴安全帽的问题,设计了基于深度学习的人脸识别算法。首先针对卷积神经网络参数多、训练时间长的问题,提出了轻量级卷积神经网络MobileNet算法,将其用于变电站人脸识别中,若非工作人员进入,会发出语音提示禁止进入。其次针对工作人员没有佩戴安全帽工作的问题,提出了基于YOLOv4算法的安全帽识别算法,若工作人员未佩戴安全帽,会发出告警信号。最后经过试验表明,所提的变电站人脸识别算法相比于卷积神经网络能够保证高准确率的同时,还能拥有更快的识别速度,并且同时高效准确地识别了工作人员是否正确佩戴安全帽。

摘要：目的针对口罩遮挡的人脸姿态分类新需求,为了提高基于卷积神经网络的人脸姿态分类效率和准确率,提出了一个轻量级卷积神经网络用于口罩人脸姿态分类。方法本文设计的轻量级卷积神经网络的核心为双尺度可分离注意力卷积单元。该卷积单元由3×3和5×5两个尺度的深度可分离卷积并联而成,并且将卷积块注意力模块(convolutional block attention module,CBAM)的空间注意力模块(spatial attention module,SAM)和通道注意力模块(channel attention module,CAM)分别嵌入深度(depthwise,DW)卷积和点(pointwise,PW)卷积中,针对性地对DW卷积及PW卷积的特征图进行调整。同时对SAM模块补充1×1的点卷积挤压结果增强其对空间信息的利用,形成更加有效的注意力图。在保证模型性能的前提下,控制构建网络的卷积单元通道数和单元数,并丢弃全连接层,采用卷积层替代,进一步轻量化网络模型。结果实验结果表明,本文模型的准确率较未改进SAM模块分离嵌入CBAM的模型、标准方式嵌入CBAM的模型和未嵌入注意力模块的模型分别提升了2.86%、6.41%和12.16%。采用双尺度卷积核丰富特征,在有限的卷积单元内增强特征提取能力。与经典卷积神经网络对比,本文设计的模型仅有1.02 MB的参数量和24.18 MB的每秒浮点运算次数(floating-point operations per second,FLOPs),大幅轻量化了模型并能达到98.57%的准确率。结论本文设计了一个轻量高效的卷积单元构建网络模型,该模型具有较高的准确率和较低的参数量及计算复杂度,提高了口罩人脸姿态分类模型的效率和准确率。

摘要：针对轻量级卷积神经网络MobileNet采用的反向残差结构仍具有较多的冗余计算的问题,构建了一种更为轻量的反向残差模块(cheap inverted residuals block,CIRBlock),并设计了一种新的轻量级卷积神经网络CIRNet。通过低代价卷积操作,简化逐点卷积,并构建旁路分支进行特征复用,减少反向残差的输出通道;利用通道注意力机制和通道混洗,增强通道间信息交流;在下采样时利用旁路分支信息构建和主分支相同的拓扑结构,提高特征冗余结构的通道多样性;完成轻量化网络模块CIRBlock的设计,并通过人工堆叠CIRBlock构建不同复杂度的轻量级卷积神经网络CIRNet。在目标分类上的实验表明:在CIFAR数据集上,基于相同的VGG16架构,使用CIRBlock比使用MobileNetV2的反向残差结构FLOPs降低58.1%,参数量减少55.5%,分类精度损失小于0.4%。在Mini-ImageNet目标分类数据集上,CIRNet分类精度比MobileNetV2高0.35%,FLOPs降低69%,参数量减少77.4%。

摘要：随着边缘设备数据的增多和神经网络的不断落地应用,边缘计算为以云计算为核心的大数据技术分担了压力。现场可编程门阵列(FPGA)因灵活的体系结构和低功耗,在边缘计算以及构建神经网络加速器中显示出优异的特性。但是,传统的基于传统卷积算法的FPGA解决方案往往受到片上计算单元数量的限制。使用Zynq作为硬件加速平台,对参数进行定点量化,利用数组分区提高流水线运行速度。采用Winograd快速卷积算法对传统的卷积进行改进,将卷积运算中的乘法运算转换为加法运算,降低了模型的计算复杂度,极大提高了所设计的加速器的计算性能。实验表明,XC7Z035工作在150MHz时钟下获得了43.5GOP/s的性能,能效是Xeon(R)Silver 4214R的129倍,是双核ARM的159倍。所提方案在资源和功耗受限的情况下可以提供较高的性能,适用于网络边缘端对轻量级神经网络的落地应用。