摘要：为了提高人脸识别在嵌入式设备中的识别精度和速度,提出一种基于Ghostnet轻量级人脸识别算法—Ghostfacenet。首先,通过预设卷积生成固定数目的内在特征;针对卷积运算计算消耗大的问题,使用计算成本低廉的线性操作代替卷积运算,产生一系列与内在特征相关联的特征信息;其次,基于Ghostnet中的Ghost模块以及深度可分离卷积设计出Ghostfacenet-Bottleneck,并且由其构建出Ghostfacenet轻量级卷积神经网络;最后,联合Softmax损失函数和Arcface损失函数进一步增加人脸类内紧凑性以及类间差异,同时使得轻量级模型有更好的收敛性以及泛化能力。实验结果表明,Ghostfacenet在嵌入式设备的识别速度分别是Resnet50、Efficientnet、MobilenetV2和Mobilefacenet的11.08倍、8.57倍、2.75倍和2.82倍。在不显著降低识别性能同时能够显著提高运行效率,非常适用于资源有限的嵌入式设备中。

摘要：针对战场环境下装甲目标的检测任务,提出一种基于轻量级网络的快速检测方法.首先以轻量级卷积神经网络MobileNet 作为骨架网络,构建一个多尺度的单步检测网络;然后针对装甲目标的尺寸分布情况使用分辨率更高的卷积特征图,并在每个检测单元上新加入一个残差模块,增强了对小尺度目标的检测能力;最后引入focal-loss损失来替代传统的交叉熵损失函数,有效地克服了训练过程中存在的正负样本分布极度不平衡的问题.针对装甲目标构建了专用的目标检测数据集,并在该数据集上对几种目前主流的单步检测方法进行了训练和测试,实验结果表明,该方法在检测精度、模型容量以及运行速度上均取得了较好的效果,对于无人机等小型移动侦查平台具备良好的适用性.

摘要：砂石骨料的分类对混凝土的生产有着重要的作用。采用一种轻量级卷积神经网络结构MobileNetV3对砂石骨料进行分类,对其网络结构添加一层卷积层和一层池化层以减少计算量并加快训练速度。在砂石骨料特征分布均匀的前提下,提出了一种基于概率最大值的砂石骨料分类方法,将图片分割成5×5总计25份,训练模型进行25次循环测试,计算每份图片对应砂石骨料累计概率最大值即为测试结果。与传统测试方法准确率进行对比表明,基于概率最大值法测试结果准确率更高,容错性更强。