检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

模型裁剪在车型识别中的应用

电子技术与软件工程 2020年第3期 156-158页

作者：王乃洲金连文梁添才金晓峰华南理工大学广东省广州市510640 广电智能安全研究院广东省广州市510656

本文针对边缘设备对车型识别系统计算资源与速度的苛刻要求,提出一种面向Mobilenetv2车型识别网络的裁剪策略。利用Thinet裁剪方法对MobileNetv2网络进行参数压缩,提高车型识别速度,减少推理计算的资源消耗。实验表明,所提出的裁剪策略... 详细信息

本文针对边缘设备对车型识别系统计算资源与速度的苛刻要求,提出一种面向Mobilenetv2车型识别网络的裁剪策略。利用Thinet裁剪方法对MobileNetv2网络进行参数压缩,提高车型识别速度,减少推理计算的资源消耗。实验表明,所提出的裁剪策略可以有效地提高车型识别速度。

关键词：模型裁剪车型识别 MobileNet网络

面向主站的智能变电站模型分层分类裁剪与信息融合

在线全文

学校读者我要写书评

暂无评论

电力系统自动化 2016年第9期40卷 113-117页

作者：张海东陈爱林姚志强任浩耿明志徐歆中国电力科学研究院(南京) 江苏省南京市210003

针对人工挑选智能变电站上传主站的信息数据费时费力的问题,文中给出了变电站信息数据模型自动裁剪与信息融合的架构和流程。重点分析了一次设备模型及二次设备模型裁剪、裁剪前后合法性校验、模型语义识别、信息融合方法与规则、信息... 详细信息

针对人工挑选智能变电站上传主站的信息数据费时费力的问题,文中给出了变电站信息数据模型自动裁剪与信息融合的架构和流程。重点分析了一次设备模型及二次设备模型裁剪、裁剪前后合法性校验、模型语义识别、信息融合方法与规则、信息清单表、与主站信息交互等关键技术。在此基础上,开发了智能变电站模型裁剪与信息融合功能软件,并应用在嵌入式平台的变电站告警图形网关工程试点中。试点运行结果表明所开发软件能够满足不同业务主站的需求,减少了人工干预的工作量。

关键词：智能变电站 IEC 61850 模型裁剪信息融合

在线全文

学校读者我要写书评

暂无评论

智能变电站和调控主站的模型按需共享技术

电力系统自动化 2012年第22期36卷 73-77页

作者：丁宏恩赵家庆苏大威杨志宏宋鑫肖翔苏州供电公司江苏省苏州市215004 江苏省电力公司江苏省南京市210024 国电南瑞科技股份有限公司江苏省南京市210061

基于IEC 61850与IEC 61970提出电网模型由主站集中建模变为分布式按需裁剪引用变电站模型的策略,解决了智能变电站与各级调控主站之间以及各级调控主站之间的电网模型、变电站接线图、量测信息的按需共享问题。成果已成功应用于苏州500k... 详细信息

基于IEC 61850与IEC 61970提出电网模型由主站集中建模变为分布式按需裁剪引用变电站模型的策略,解决了智能变电站与各级调控主站之间以及各级调控主站之间的电网模型、变电站接线图、量测信息的按需共享问题。成果已成功应用于苏州500kV常熟智能变电站、智能电网调度技术支持系统等试点工程。

关键词：智能变.电站智能电网调度技术支持系统模型共享模型裁剪图形裁剪图元映射

面向嵌入式应用的深度神经网络模型压缩技术综述

在线全文

学校读者我要写书评

暂无评论

北京交通大学学报 2017年第6期41卷 34-41页

作者：王磊赵英海杨国顺王若琪中国航天科工集团三十五研究所北京100013

结合大数据的获取,深度神经网络关键技术广泛应用于图像分类、物体检测、语音识别和自然语言处理等领域.随着深度神经网络模型性能不断提升,模型体积和计算需求提高,以致其依赖高功耗的计算平台.为解决在实时嵌入式系统中的存储资源和... 详细信息

结合大数据的获取,深度神经网络关键技术广泛应用于图像分类、物体检测、语音识别和自然语言处理等领域.随着深度神经网络模型性能不断提升,模型体积和计算需求提高,以致其依赖高功耗的计算平台.为解决在实时嵌入式系统中的存储资源和内存访问带宽的限制,以及计算资源相对不足的问题,开展嵌入式应用的深度神经网络模型压缩技术研究,以便缩减模型体积和对存储空间的需求,优化模型计算过程.对模型压缩技术进行分类概述,包括模型裁剪、精细化模型设计、模型张量分解和近似计算和模型量化等,并对发展状况进行总结.为深度神经网络模型压缩技术的研究提供参考.

关键词：深度神经网络模型压缩模型裁剪张量分解嵌入式系统

在线全文

学校读者我要写书评

暂无评论

移动端物体检测卷积加速方法研究

移动端物体检测卷积加速方法研究

作者：李京北京邮电大学

学位级别：硕士

随着计算机技术的不断发展,以及物联网、人工智能发展的大趋势下,物体检测技术作为计算机视觉的一个重要分支,已经广泛地应用到例如人脸识别、视频监控、车辆的辅助驾驶、移动机器人等各个领域中。目前,处理物体检测的方法有很多,大体... 详细信息

随着计算机技术的不断发展,以及物联网、人工智能发展的大趋势下,物体检测技术作为计算机视觉的一个重要分支,已经广泛地应用到例如人脸识别、视频监控、车辆的辅助驾驶、移动机器人等各个领域中。目前,处理物体检测的方法有很多,大体分为两大类:基于图像处理的检测方法与基于卷积神经网络的深度学习检测方法。但是由于基于图像处理的检测方法准确度低,无法满足人们日益增长的检测精度要求,已经逐渐被后者所替代。由于卷积神经网络的运算过程需要消耗大量的计算资源,同时模型存储量较大,对于类似于移动电话、移动机器人这种不方便部署大规模计算服务器的移动端上的部署带来巨大的挑战。因此,研究基于卷积神经网络的检测任务加速和压缩策略,具有重要的意义。本论文主要研究移动端物体检测技术,提出一种模型压缩、模型裁剪与模型量化的方法,旨在解决移动端计算能力不强与存储能力有限的问题。本文主要在以下几个方面进行了研究:1.基于网络结构模型压缩方法的研究。研究并比较几种现有的基于深度学习的特征提取网络架构,提出一种基于可分离式卷积的改进模型架构,该模型架构可以通过分组卷积的形式在保证模型精度的前提下,减小了模型的参数量和前向传播的计算量,提高了物体检测的速度。2.面向特定场景模型裁剪算法研究。针对通用型的模型架构在特定场景下存在大量的参数冗余问题,通过统计冗余参数的位置信息,在一定阈值下给予裁剪,实现模型参数的进一步压缩与前向传播的加速。3.基于一比特网络量化算法研究。利用计算机在一个时钟周期内计算一次32位浮点运算可以计算64次位运算的特性,将传统模型的浮点运算量化为比特类型,实现模型前向传播的进一步加速。

关键词：卷积神经网络移动端模型压缩模型裁剪模型量化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据挖掘的水产鲜度检测方法研究

基于数据挖掘的水产鲜度检测方法研究

作者：郭鑫浙江海洋大学

学位级别：硕士

随着人们对水产品质量需求的增长,各企业越来越重视水产品在运输过程中的鲜度变化。因此需要用到鲜度检测技术,该技术在水产品的生产环节、运输环节、销售环节等起着至关重要的作用。在水产的鲜度检测中,常用的方法是挥发性盐基氮检测,... 详细信息

随着人们对水产品质量需求的增长,各企业越来越重视水产品在运输过程中的鲜度变化。因此需要用到鲜度检测技术,该技术在水产品的生产环节、运输环节、销售环节等起着至关重要的作用。在水产的鲜度检测中,常用的方法是挥发性盐基氮检测,但这种方法会污染样品,且检测数量少,不能全面覆盖。本文以机器视觉与深度学习为背景,通过挖掘鱼眼部位信息对鱼整体进行鲜度判别与分类。文中着重围绕利用深度学习进行鲜度检测和鲜度检测的嵌入式实现。以下为本文研究工作:1.将机器视觉与深度学习与注意力机制结合,并应用于水产鲜度检测分类任务中。首先,寻找合适的数据集与适合本实验的像素因子参数,并进行数据集增强操作,防止出现过拟合现象,然后通过对比三种网络模型实验,选择Mobilenet V1为基础网络。其次,采用alpha为默认值的Mobilenet V1网络和在Mobilenet V1网络末端分别单独添加自注意力机制(Self-Attention)模块的模型进行性能参数对比,验证新模型的可行性;然后,将所有模型的alpha值降低,并进行性能对比,得到文件更小,性能较好的训练文件;最后,利用第三方平台完成对数据集的训练,并将模型在云端运行,方便后续做对比实验。2.将深度学习模型与嵌入式设备结合。首先,修改模型中的卷积核与部分激活函数,随后将训练得到的h5文件进行模型剪枝操作,得到占内存更小的文件。其次,将剪枝后得到的模型文件与剪枝前的模型文件进行评估对比,判断剪枝模型的可行性。然后,将h5格式文件转换成tflite格式文件,然后再用NCC工具将tflite文件编译成kmodel文件,并将最终文件烧录至K210(嘉楠科技边缘计算芯片)开发版,编写python脚本文件进行模型性能测试。最后设计对照组实验,将每组实验结果进行对照,选出效果最优的一种方案模型。

关键词：深度学习注意力机制模型裁剪嵌入式平台鲜度检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向边缘计算环境的轻量级目标检测技术研究

面向边缘计算环境的轻量级目标检测技术研究

作者：陈健健上海交通大学

学位级别：硕士

近年来,目标检测在智能安防、智慧城市、智能工厂、智能汽车等多个领域应用广泛。由于目标检测的核心技术是深度学习,所以目前大多数的目标检测模型部署在服务器端,但这种方式存在两个弊端:一是随着部署的需求量骤增,大量配置高性能服... 详细信息

近年来,目标检测在智能安防、智慧城市、智能工厂、智能汽车等多个领域应用广泛。由于目标检测的核心技术是深度学习,所以目前大多数的目标检测模型部署在服务器端,但这种方式存在两个弊端:一是随着部署的需求量骤增,大量配置高性能服务器在经济上会造成巨大压力;二是摄像机等边缘设备采集的待检测数据需要经过网络传输才能到达服务器,当数据量非常庞大时会影响到检测的时效性。随着边缘设备的日渐流行,其小体积、高性价比、低功耗等优点,促使边缘设备成为目标检测模型的运行环境的新选择。Faster RCNN、SSD、YOLO等优秀的目标检测算法能达到很好的检测精度,但由于计算量较大,在边缘计算设备等性能较差的运行环境下检测速度通常无法达到工业应用的高水准。迁移学习、网络裁剪、微调等模型优化技术目前已经发展成熟,可以借鉴它们以便优化模型并提高模型在边缘设备上的性能。在此背景下,本文的目标是提出一种面向边缘计算环境的轻量级目标检测模型的优化思路,并以某特定的应用场景为实例,通过完成下列工作和研究来验证思路的正确性。(1)提出一种适合在边缘环境上运行目标检测的紧凑型软件环境。针对边缘设备的有限资源条件,在主流的深度学习框架和目标检测模型中筛选并构建了适合边缘设备的软件环境。(2)提出一种基于迁移学习的面向通用目标检测模型的模型裁剪方法。主要思想是分析实际应用场景中待检测物体的分类,通过迁移学习的方法将通用的目标检测模型中的不相关分类的神经元剔除。该方法能够在水平方向上缩小模型,在维持检测精度不降低的前提下显著提升检测速度。(3)提出一种针对检测不同尺度的层的裁剪方法。主要思想是分析实际应用场景中待检测物体的大小尺度,对于网络中检测不同尺度的层进行调查,剔除其他过大或过小尺度的检测层。该方法能进一步在垂直方向上缩小模型,提升检测速度。(4)针对用上述方法裁剪过的目标检测模型,数据集也做出相应地调整优化。标准数据集中与当前实际应用场景相匹配的数据太少,所以主要通过两个方法增加当前应用场景的数据,以便在模型重训练时能迅速收敛。一是调整优化标准数据集,将标准数据集中与当前目标检测应用场景匹配的图像数据挑选出来,再用数据增强的方法来增加数据量;二是定制数据集,直接在实际应用场景下采集数据,再同样用数据增强的方法增加数据量。本文的实验中,以NVIDIA Jetson TX2开发板(8GB)作为边缘计算设备的代表,从模型文件大小、检测精度和检测速度等三个方面选定SSD300(VGG16)作为轻量级目标检测模型,一方面因为Faster RCNN等高精度模型因为边缘设备的内存不足而无法运行,另一方面与SSD(Mobilenet)轻量级目标检测模型相比,检测精度与速度的权衡下SSD(VGG16)更优秀;通过上述的迁移学习裁剪方法和层裁剪方法,将SSD模型裁剪成只检测“person(人)”分类并且还裁剪掉检测大尺度目标的conv7＿2、conv8＿2和conv9＿2层,优化后的模型的检测速度达到了约2.42FPS(0.413秒/帧),与原始模型的检测速度约1.56FPS(0.64秒/帧)相比加速了约55%;通过使用优化后的标准数据集MSCOCO2014-Human和自制数据集训练得到的模型,在实际应用场景下其检测精度达到了90%,比原始模型的70%精准度提升了约20%。实验结果证明本文提出的面向边缘计算环境的轻量级目标检测模型技术具有显著成效。

关键词：目标检测边缘计算迁移学习模型裁剪模型轻量化

基于种子生长及边界约束的弱监督图像语义分割算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于种子生长及边界约束的弱监督图像语义分割算法研究

作者：华梅芳华南理工大学

学位级别：硕士

人工智能越来越贴近人们的日常生活,图像语义分割作为计算机视觉的基础任务,被广泛应用于自动驾驶、机器人视觉感知、服装分类及地质分析等领域。传统深度学习下图像语义分割多采用全监督模式,而逐像素标记训练数据的成本十分高昂,因而... 详细信息

人工智能越来越贴近人们的日常生活,图像语义分割作为计算机视觉的基础任务,被广泛应用于自动驾驶、机器人视觉感知、服装分类及地质分析等领域。传统深度学习下图像语义分割多采用全监督模式,而逐像素标记训练数据的成本十分高昂,因而研究者们将目光转向了被认为更具有潜在应用价值的弱监督图像语义分割算法研究。现有弱监督图像语义分割算法中,以基于种子生长及边界约束原则的分割思路较为直观,故本文以此为基准,对SEC(seed expand and constraint)模型的各个阶段做出优化工作如下。(1)提出在SEC模型的种子生长过程中引入多种先验约束包括抑制约束、前景约束及背景约束,构建MPCSEC(multiple priori constraint SEC)模型,以改善目标物体种子生长过度或种子生长不足的问题,使种子的扩张更为合理。(2)提出增加图像预处理层,通过图像自适应对比度增强、图像仿射变换的预处理操作,优化训练数据的质量和数量,使得模型的学习聚焦于目标物体的显性区分特征,同时丰富模型对数据学习的角度,以改善SEC模型初始种子提取存在的间断、稀疏问题。(3)将(1)和(2)的优化工作整合,构建更为强大的MSOSEC(multiple stage optimization SEC)模型,实现对SEC的进一步整体优化。(4)对MSOSEC模型进行裁剪及微调处理,获得更为精简且高效的弱监督图像语义分割模型,满足算法未来落地于移动化、实时化应用的需求。此外,本文通过实验验证了各项优化工作的有效性,实验结果显示基于本文最终整合优化的MSOSEC模型,语义分割的准确率相较现有SEC模型提升3.8%。而裁剪优化处理后,MSOSEC模型的整体精度损失为0.3%,同时参数量下降16.5%,单张图片的平均分割时长减少25%。本文算法基于图像级类标签,实现了图像的语义分割,且宏观层面上分割的结果表现也更为清晰、规整。

关键词：弱监督图像语义分割种子生长与边界约束原则多种先验约束模型裁剪

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于差分隐私的自适应通信高效联邦学习研究

基于差分隐私的自适应通信高效联邦学习研究

作者：杨家维广州大学

学位级别：硕士

随着大数据和机器学习的发展,海量用户设备(如手机、传感器等)伴随着大量的隐私数据产生,隐私泄露问题日益严重。联邦学习能在不泄露用户隐私数据的情况下进行协作式训练,因此得到各界学者的广泛关注。然而,联邦学习仅通过梯度信息进行... 详细信息

随着大数据和机器学习的发展,海量用户设备(如手机、传感器等)伴随着大量的隐私数据产生,隐私泄露问题日益严重。联邦学习能在不泄露用户隐私数据的情况下进行协作式训练,因此得到各界学者的广泛关注。然而,联邦学习仅通过梯度信息进行交互,仍然存在较大的隐私泄露问题。目前主要通过差分隐私技术来解决联邦学习中模型更新的隐私泄露问题,但是目前差分隐私的联邦学习框架存在模型参数过多、隐私预算分配不合理等问题,导致模型精度和通信效率较差。本论文针对联邦学习中大量参数带来模型噪声过大的问题,深入研究模型参数的裁剪方法,确保模型兼具良好效用性和隐私性,同时提升通信效率。本论文深入分析隐私预算分配不合理问题,研究隐私预算的合理分配方式以提升模型性能,旨在模型隐私性、效用性和通信效率三者之间取得良好平衡。本论文的主要贡献概括为以下两点:(1)本论文提出了一种基于梯度相关性的联邦学习模型层裁剪方法(GLCFL),以解决联邦学习中参与者上传的模型参数量庞大,导致对大量参数采用差分隐私机制时产生过量噪声,造成模型准确度低、通信效率慢的问题。首先,用户根据设计的相关性公式筛选高相关层,裁剪低相关层,以减少参数量。再采用基于Top-K的梯度稀疏化方法,筛选层内大梯度参数进行稀疏化,进一步减少模型参数。为解决聚合时因全局稀疏化导致准确度下降的问题,本论文采用了一种基于历史信息的聚合方法,在聚合用户参数时考虑到了上一轮全局模型的信息。结合性能评估和实验分析,证明所设计的方法在具有良好模型准确度下实现了隐私保护,有效地提高了模型的通信效率。(2)本论文提出了一种面向差分隐私的动态隐私预算分配方法(DPBA),以解决现有差分隐私技术隐私预算分配不合理导致模型准确度低、收敛速度慢的问题。首先,采用了一种基于通信轮次的隐私预算分配方法,根据训练性质,在迭代时为每一轮训练自适应地分配隐私预算,以提高隐私预算利用率和模型准确度。其次,采用了一种基于模型相关性的隐私预算分配方法,利用模型相关性差异自适应地为用户分配隐私预算、动态调整隐私预算,以减少噪声机制的误差,提高模型准确度和收敛速度。理论分析和实验结果表明,所设计的隐私预算分配方法有效地提升了模型精度,以较小的准确度损失实现了隐私保护,在模型隐私性和效用性之间取得了良好平衡。

关键词：联邦学习隐私保护差分隐私模型裁剪隐私预算分配