摘要：轻量化SAR目标检测方法对快速检测SAR影像中的地物目标具有重要意义。针对轻量化检测方法精度不高的问题,设计了一种通道剪枝与知识蒸馏相结合的轻量化SAR目标检测方法。该方法通过对复杂网络中批归一化层的缩放因子γ进行稀疏化训练,判别对应特征通道的重要程度,进而裁剪次要通道,并在微调训练后将其作为教师网络,构造知识蒸馏框架指导轻量模型训练,提高轻量模型的检测精度。采用YOLOv5-6.1算法搭建了检测框架,并在重组的MSAR和SSDD多类目标数据集上进行了训练和检测试验,结果表明该方法能够在保持模型体积仅3.73 MB的轻量化条件下,提升SAR目标检测精度,验证了本文方法的有效性。

摘要：深度神经网络(deep neural network,DNN)在各个领域获得了巨大成功,由于其需要高额的计算和储存成本,难以直接将它们部署到资源受限的移动设备端。针对这个问题,对网络中的全局滤波器重要性评估进行了研究,提出滤波器弹性的通道剪枝压缩方法以轻量化神经网络的规模。该方法先设置层间局部动态阈值改进L1正则化(L1 lasso)稀疏训练中剪枝过度的不足;然后将其输出乘以通道缩放因子替换普通的卷积层模块,利用滤波器的弹性大小定义全局滤波器的重要性,其数值由泰勒公式估计得出并排序,同时设计新的滤波器迭代剪枝框架,以平衡剪枝性能和剪枝速度的矛盾;最后利用改进的L1正则化训练和全局滤波器重要性程度进行复合通道剪枝。在CIFAR-10上使用所提方法对VGG-16进行实验,减少了80.2%的浮点运算次数(FLOPs)和97.0%的参数量,而没有明显的准确性损失,表明了方法的有效性,能大规模地压缩神经网络,可部署于资源受限的终端设备。

摘要：自动准确收集渔业捕捞数据是电子观察员系统的重要组成部分,然而,由于工作环境的复杂性和跟踪的不稳定性,金枪鱼延绳钓渔获数量自动估计在实践部署中仍存在挑战。本研究设计了一个轻量级计数网络对渔船上的实时视频数据进行自动处理,实现对金枪鱼渔获物的实时跟踪和计数。本研究选择YOLOv5s作为基准网络,首先采用通道剪枝算法对YOLOv5s的主干网络进行修剪,结果表明,剪枝后的模型检测精度mAP_(0.5~0.95)达到68.8%,CPU下检测速度为16.5帧/s(FPS),与原始模型相比,检测效果基本不变,模型的参数量、模型大小和计算量分别减少了67.2%、66.4%和42.5%,检测速度提高了33.1%。其次,利用ByteTrack算法实现了多目标的实时跟踪,优化了计数区域形状,解决了被跟踪金枪鱼身份(ID)跳变导致的计数偏差问题,10个视频的测试结果表明,该方法的平均计数准确率为80%,视频处理速度为50.7帧/s,满足工业级实时检测要求。综上,该模型具有轻量化、高精度、实时性等优点,可在复杂的工作环境下完成对延绳钓捕捞结果的实时监控,为实现渔业自动化提供思路。

摘要：由于较大的参数体量和较高的计算复杂度,通用检测及识别模型直接在移动端部署的难度较高。为解决这个困难,研究了移动设备上使用计算机视觉的仪表检测及读数方法。针对实际工业生产环境下检测及识别的需求,基于YOLO-v7重新设计了轻量化的仪表检测网络以及字符检测及识别网络。利用深度可分离卷积进一步降低计算复杂度,压缩模型大小。采用K-means++聚类算法加遗传算法自动产生初始锚框。使用通道剪枝,再一次压缩模型。实验结果证明,专用网络模型设计、深度可分离卷积以及通道剪枝对减少模型参数体量和降低算力需求具有显著效果。参数数量相较于原始YOLO-v7模型均下降了99.67%,模型算力需求均降至0.3 GFLOPs,下降了99.71%。实验中平均图片检测时间为10.7 ms。各网络的平均精准度(mAP0.5)达到了99.63%和99.53%。系统整体读数精确度达98.44%。

摘要：为实现脐橙品质的快速、准确分级,提出一种同时具有高准确度与高速度的算法。该算法基于高效卷积神经网络(Convolution Neural Network,CNN)设计神经网络结构,结合通道剪枝方法进行推断速度优化。为提升脐橙分级效果,算法采用多任务学习方式,先进行分类,再根据分类结果,让适合回归的种类回归出其瑕疵面积占表面积的比例,为此设计多任务加权损失函数,采用损失函数超参数自适应学习策略,平衡分类与回归的性能。实验表明:该算法在评价指标上取得了最优效果。通道剪枝让模型在CPU下推断速度提升200%,达到90幅/秒的处理速度,准确率仅仅下降2.37百分点。与其他经典模型相比,最好的实验模型准确率可达94.05%。

摘要：卷积神经网络在计算机视觉等多个领域应用广泛,然而其模型参数量众多、计算开销庞大,导致许多边缘设备无法满足其存储与计算资源要求。针对其边缘部署困难,提出使用迁移学习策略改进基于BN层缩放因子通道剪枝方法的稀疏化过程。本文对比不同层级迁移方案对稀疏化效果与通道剪枝选取容限的影响;并基于网络结构搜索观点设计实验,探究其精度保持极限与迭代结构的收敛性。实验结果表明,对比原模型,采用迁移学习的通道剪枝算法,在精度损失不超过0.10的前提下,参数量减少89.1%,模型存储大小压缩89.3%;对比原剪枝方法,将剪枝阈值从0.85提升到0.97,进一步减少参数42.6%。实验证明,引入迁移策略更易实现充分的稀疏化,提高通道剪枝阈值选取容限,实现更高压缩率;并在迭代剪枝的网络结构搜索过程中,提供更高效的搜索起点,利于快速迭代趋近至搜索空间的一个网络结构局部最优解。

摘要：为解决硬件平台资源受限条件下的实时航空目标检测需求,在基于改进YOLOv5的基础上,提出了一种针对移动端设备/边缘计算的轻量化航空目标检测方法。首先以MobileNetv3为基础搭建特征提取网络,设计通道注意力增强结构MNtECA(MobileNetv3 with Efficient Channel Attention)提高特征提取能力;其次在深度可分离卷积层增加1×1的卷积,在减少卷积结构参数的同时提高网络的拟合能力;最后对检测网络进行迭代通道剪枝实现模型压缩和加速。实验选取DIOR(Object Detection in Optical Remote Sensing Images)数据集进行训练和测试,并在嵌入式平台(NVIDIA Jetson Xavier NX)对轻量级模型进行推理验证。结果表明,所提出的轻量级模型大幅降低了参数和计算量,同时具有较高精度,实现了移动端设备/边缘计算的实时航空目标检测。

摘要：针对目标检测模型应用于桥梁裂缝检测时检测精度不高、模型参数量大等问题,提出一种基于深度分类的轻量级格网桥梁裂缝检测技术。设计格网化处理方法将桥梁裂缝图像划分到大小相等的网格内,规范图像中桥梁裂缝的位置分布;采用全局平均池化与基于批归一化层的通道剪枝技术对深度分类模型进行轻量化改进,减少模型参数量;使用改进后的模型对不同网格内的图像进行分类并标注出裂缝位置。实验结果表明,该技术可以实现对桥梁裂缝的高精度检测,F 1得分达到了0.97。全局平均池化和基于批归一化层的通道剪枝技术能大幅减少模型参数量,改进后的模型大小仅为0.62 MB。

摘要：基于卷积神经网络的U-net模型广泛应用于胰腺分割任务,但该类方法对硬件计算能力要求过高,制约了其临床应用。为解决该问题,提出一个基于模型压缩与重构U-net的端到端框架(comprehension prune-reconstructed U-net network,CPRUN),以完成实时胰腺图像分割任务。通过通道剪枝技术实现了对卷积神经网络模型的压缩,利用重构U-net保障胰腺的分割精度。实验结果表明,使用CPRUN模型能够在保持分割精度的前提下有效减少模型参数量,其模型压缩程度与分割精度均优于同类算法。

摘要：考虑到无人机平台电力巡检有效载荷及计算能力有限,该文提出了一种基于无人机的智能电力巡检方案。首先,设计了无人机电力巡检软硬件框架;其次,提出了一种双阶段微调策略训练深度学习模型,从而提高模型应对特殊数据集的检测能力;最后,提出了一种通道剪枝方案,从而去除冗余的特征通道降低模型的复杂度,使得模型可有效部署于计算能力有限的无人机平台。实验阶段,以检测绝缘子为例,对所提方案进行验证。结果表明,所提双阶段微调策略可将基础网络性能提升约4%至10%。同时,所提通道剪枝方法可使得网络模型尺寸更小、性能更优。该模型为电力系统智能化及无人化监控管理提供了一定借鉴作用。