摘要：因卷积神经网络参数膨胀,导致模型训练时占用大量的计算资源和存储资源,从而限制其在边缘终端上的应用。依据深度可分离卷积模型MobileNet V1的设计思路,结合自门控函数和ReLU函数的特点,构建一种改进的激活函数和压缩神经网络模型MobileNet-rhs。将ReLU函数和swish函数分别作为分段线性函数,设计激活函数ReLU-h-swish,通过优化卷积单元结构,解决模型训练过程中难以激活部分神经元的问题,以减少特征信息丢失。构建一种剔除卷积核的压缩模型,从模型深处自下而上剔除2;个卷积核,减少逐点卷积的参数量。在CIFAR-10和CIFAR-100数据集上进行实验,结果表明,引入ReLU-h-swish函数构建MobileNet-rhs模型的Top-1分类准确率为80.38%。相比MobileNet-rhs模型,压缩后MobileNet-rhs模型的参数量减少17.9%,其Top-1分类准确率仅降低2.28个百分点。此外,利用Tensorflow将该模型部署在安卓平台上,实现图像分类相册的应用。

摘要：人工智能的发展程度取决于机器对环境的感知能力,即机器对场景理解的能力,这就离不开其中的核心技术—三维点云语义分割,虽然基于深度学习的三维点云语义分割网络层出不穷,但都存在局部特征利用不充分的问题,导致分割效果不佳。本文针对这个问题,受PointNet++和TSegNet的启发,设计了具有双层结构的CSegNet模型。首先,编码部分使用逐点卷积来取代PointNet层捕捉点云的局部特征;其次,解码部分使用PointDeconv层恢复原始点云结构;最后加入边缘卷积来更有效的提取局部特征,并解决边界不平滑问题。在S3DIS数据集上验证表明,CSegNet能更好的利用局部特征来进行分割,最终得到oAcc为88.7%,mIoU为73.7%的分割准确性。

摘要：基于卷积神经网络的目标识别在图像识别领域应用广泛,为满足小型化嵌入式设备的实时处理需求,卷积神经网络的轻量化设计及其高效实现成为一种研究趋势。基于此,提出了一种适用于不同FPGA平台的Mobilenet V2卷积神经网络的实现方案。首先采用多计算核并行处理的方式,可同时实现多幅图像识别;其次计算核内部采用卷积核间串行流水的实现架构,减少了内部缓存大小及处理延迟。通过FPGA平台实测,在无剪枝及压缩的情况下,实现了48.6帧/s的处理速率。

摘要：由于原始高压架空输电线路图像中包含的语义信息涵盖多个层次,导致利用其特征进行缺陷识别的难度较大,为此,提出基于注意力机制的高压架空输电线路缺陷识别方法。引入了注意力机制,通过深度卷积和逐点卷积的方式,自主学习原始高压架空输电线路图像中的语义信息,并结合其重要程度进行自适应加权,确定缺陷特征;在缺陷识别阶段,将待识别高压架空输电线路图像的特征映射到深度可分离卷积模块的深度卷积中,计算与其余弦距离最为接近的特征,并将其对应的缺陷作为识别结果。在测试结果中,设计识别方法对于输电线路不同部位,不同类型缺陷的识别结果表现出较高的有效性,对应的准确识别率均在96.67%以上。