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

轻量化网络模型实现相位的快速解缠绕

闽南师范大学学报（自然科学版） 2021年第4期34卷 23-31页

作者：方金生张会冉闽南师范大学计算机学院福建漳州363000 数据科学与智能应用福建省高校重点实验室福建漳州363000

针对深度神经网络参数量大、严重消耗硬件运算资源的问题,提出一种改进型的UNet相位图像解缠绕的轻量化网络模型(G-UNet).该网络利用Ghost卷积构建GhostBlock模块,实现不同卷积层间的线性变换,再由GhostBlock构建多层的G-UNet网络,该算... 详细信息

针对深度神经网络参数量大、严重消耗硬件运算资源的问题,提出一种改进型的UNet相位图像解缠绕的轻量化网络模型(G-UNet).该网络利用Ghost卷积构建GhostBlock模块,实现不同卷积层间的线性变换,再由GhostBlock构建多层的G-UNet网络,该算法有效地减小网络模型的总参数量,与传统UNet相比,G-UNet浮点计算量大幅减少.实验基于不同回波时间下仿真人脑的磁共振相位图,以UNet和传统相位解缠绕拉普拉斯算法作为对比算法,结果表明,提出的加速算法不仅可有效地进行相位解缠绕,获得与UNet相近且高于拉普拉斯算法的峰值信噪比和结构相似度,同时参数量及浮点计算量较UNet减少了近80%.

关键词： Ghost卷积模块相位解缠绕深度学习轻量化网络模型 UNet

面向嵌入式设备的轻量化网络模型及其应用研究

在线全文

学校读者我要写书评

暂无评论

面向嵌入式设备的轻量化网络模型及其应用研究

作者：王彦斌湘潭大学

学位级别：硕士

近年来，神经网络在各种任务中有着出色表现，可以归功于具备极高并行计算能力的GPU等神经网络加速单元设备的出现以及在神经网络结构上进行的优化。这些因素共同促进了神经网络的快速发展和广泛应用。而在实际场景物联网场景中，大量... 详细信息

近年来，神经网络在各种任务中有着出色表现，可以归功于具备极高并行计算能力的GPU等神经网络加速单元设备的出现以及在神经网络结构上进行的优化。这些因素共同促进了神经网络的快速发展和广泛应用。而在实际场景物联网场景中，大量的嵌入式设备通常受限于计算资源和存储资源的不足，而且缺乏并行神经网络加速单元。然而，深度神经网络任务运行时需要大量的资源，其在嵌入式设备上可能需要较长的单次推理时间，难以满足嵌入式所需要的实时、快速响应的要求。而如果借用云端处理数据时，需要考虑传输时间，这对实时任务不友好，同时增大了用户隐私暴露的风险。　　解决这一问题的新型范例是面向嵌入式设备设计出符合设备资源限制和目标任务需求的轻量级神经网络。通过设计轻量级神经网络实现在嵌入式端进行神经网络推理，是近年来的主要研究方向，包括模型压缩、剪枝、手工设计轻量级神经网络和神经架构搜索等。前三种方法依赖人工经验，构建出的网络结构缺乏变化。尽管神经架构搜索方法已经逐渐舍弃人工的影响，但对如今部署任务的多种多样，部署设备资源情况也各有不同，现有方法缺少了对设备、任务多样性的考虑。如使用常见的方法将浮点运算数(FLOPs)作为评估指标已无法适应当前需求，并不能准确评估模型在设备上的实际推理速度。　　通过对上述问题和方法进行分析，针对如何有效地在资源受限的嵌入式设备实现在端高效推理，本文的主要工作如下:　　1.针对于嵌入式设备资源受限的特点，在目标嵌入式设备上部署轻量级推理框架，提出一种模型在目标嵌入式设备上推理时间的评估方法，该方法能有效减少评估过程中可能的异常值。　　2.针对具体设备的资源情况和具体任务的多样性，本文提出一种面向嵌入式设备的神经架构搜索方法，将待选模型在嵌入式设备上的推理时间作为一个评估指标，并从多个指标对模型进行约束，实现神经架构搜索过程在关注待选网络准确率的同时也关注其在实机的推理时间，以满足不同任务的需求。　　3.针对具体场景人工智能物联网场景下资源受限的物联网设备中部署神经网络的需求、任务的多样性，对具体的端侧恶意流量检测任务，应用本文提出的面向嵌入式设备的神经架构搜索方法，设计出满足具体物联网设备资源限制、满足任务推理时间需要的轻量级神经网络模型。

关键词：物联网嵌入式设备轻量化网络模型搜索过程

基于轻量化深度学习Mobilenet-SSD网络模型的海珍品检测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

大连海洋大学学报 2021年第2期36卷 340-346页

作者：俞伟聪郭显久刘钰发刘婷李雅薇大连海洋大学信息工程学院辽宁大连116023 辽宁省海洋信息技术重点实验室辽宁大连116023

为精确掌握水下海珍品养殖分布情况,摆脱传统上依赖人工潜水了解海珍品情况的方式,提出了一种基于轻量化深度学习的Mobilenet-SSD网络模型并用于海珍品检测,该方法对在渔船下方的水下摄像头所采集的海珍品图像实时进行目标快速检测。结... 详细信息

为精确掌握水下海珍品养殖分布情况,摆脱传统上依赖人工潜水了解海珍品情况的方式,提出了一种基于轻量化深度学习的Mobilenet-SSD网络模型并用于海珍品检测,该方法对在渔船下方的水下摄像头所采集的海珍品图像实时进行目标快速检测。结果表明:采用本研究中建立的Mobilenet-SSD模型,在海胆、海参、扇贝等3种海珍品上建立数据集进行训练,可实现水下海珍品的精确识别,海胆、海参、扇贝的识别准确率分别为81.43%、86.02%、89.44%,总体平均准确率为85.79%;将Mobilenet-SSD网络模型分别与Tiny-YOLO和VGG-SSD网络模型进行比较,在相同设备上,Mobilenet-SSD网络模型相较Tiny-YOLO网络模型能更好地利用目标特征,同时较VGG-SSD网络模型节约80%的用时,实现了准确性与实时性的兼顾。研究表明,本研究中构建的Mobilenet-SSD网络模型,可用于水产养殖环境中水下海珍品的准确识别。

关键词：海珍品识别深度学习图像增强轻量化网络模型

在线全文

学校读者我要写书评

暂无评论

基于YOLOv5的草莓轻量化网络检测模型

国外电子测量技术 2023年第4期42卷 86-95页

作者：杨世忠王瑞彬高升邵明伟青岛理工大学信息与控制工程学院青岛266520

随着现代农业技术的发展,草莓生产和采摘的自动化是一个必然的趋势,而草莓目标检测是实现采摘自动化的关键环节。基于YOLOv5目标检测算法,采用ShuffleNet轻量级网络结构替代原模型的特征提取网络,并在骨干网络提取的特征图后加入SE通道... 详细信息

随着现代农业技术的发展,草莓生产和采摘的自动化是一个必然的趋势,而草莓目标检测是实现采摘自动化的关键环节。基于YOLOv5目标检测算法,采用ShuffleNet轻量级网络结构替代原模型的特征提取网络,并在骨干网络提取的特征图后加入SE通道方向的注意力机制,结合EIoU和Alpha-IoU损失函数,设计了一个α-EIoU损失函数,给定参数α的值为3,统一指数化IoU损失函数,据此获得更准确的边界框回归和目标检测。改进的模型在草莓小目标数据集上平均检测精度均值达到了97.6%,其中成熟草莓的准确率为99.4%,与YOLOv3、YOLOv4和YOLOv5相比,平均精度均值(mAP)分别提高了5.4%、2.9%和1.1%,该模型识别图像传输帧率为125 fps,比原YOLOv5模型提升了38 fps,该实验模型更适应于移动端部署,为草莓采摘识别的自动化提供了一些理论基础。

关键词：目标检测 YOLOv5 轻量化网络模型草莓识别损失函数

基于改进RT-DETR的铁路施工场景下人员安全穿戴检测

在线全文

学校读者我要写书评

暂无评论

铁道学报 2025年第02期 92-101页

作者：冯爽王万齐杨文胡昊中国铁道科学研究院研究生部中国铁道科学研究院集团有限公司电子计算技术研究所

针对铁路施工环境较复杂，安全穿戴目标较小难以检测，边缘计算设备资源有限的问题，提出一种基于改进RT-DETR的铁路施工场景下人员安全穿戴检测模型。首先，引用轻量级EfficientViT作为特征提取网络，通过级联分组注意力，解决多头自... 详细信息

针对铁路施工环境较复杂，安全穿戴目标较小难以检测，边缘计算设备资源有限的问题，提出一种基于改进RT-DETR的铁路施工场景下人员安全穿戴检测模型。首先，引用轻量级EfficientViT作为特征提取网络，通过级联分组注意力，解决多头自注意力计算冗余问题，提高注意力头的多样性。其次，采用HWD-ADown下采样模块，应用Haar小波变换保留更多细节信息来改善错检问题，通过将特征图切分再进行卷积的方式减少卷积操作的参数量，进一步降低模型复杂度，精度维持原来相近水平。最后，设计一种新的损失函数Inner-DIoU,在加速边界框回归速度的同时提高模型检测的泛化能力。实验结果表明，改进模型精确率为92.6%,召回率为84.4%,平均精度均值为90%,与基准模型相比分别提高2.7%、2.1%和3%;模型大小为19.9 MB,参数量为985.6万个，GFLOPs为25.5,与基准模型相比分别降低48.4%、50.4%和55.4%;FPS为94.3,提高了34.7%。提出的模型能够满足铁路施工场景下对检测精度和轻量化的需求。

关键词：铁路施工目标检测 RT-DETR 轻量化网络模型

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于边缘计算的苗圃验收方法研究

基于边缘计算的苗圃验收方法研究

作者：肖维颖东北林业大学

学位级别：硕士

林木种苗是林业建设与发展的重要保证,也是林业生产与重大工程建设不可缺少的物质基础。随着我国营林造林规模的不断扩大,对苗圃育苗工作的质量和产量要求也越来越高。而其中苗圃的检测验收是林业苗圃育苗工作质量和产量分析的重要步骤... 详细信息

林木种苗是林业建设与发展的重要保证,也是林业生产与重大工程建设不可缺少的物质基础。随着我国营林造林规模的不断扩大,对苗圃育苗工作的质量和产量要求也越来越高。而其中苗圃的检测验收是林业苗圃育苗工作质量和产量分析的重要步骤与环节。然而传统的苗圃验收往往是苗圃管理者直接对苗圃采用人工验收的方法,耗费大量人力还浪费大量时间,所以针对这一情况,亟需一种解决办法。随着5G技术的发展,其高带宽、低时延和高密度接入特点,促使云计算模式向“云-管-端”模式改变,边缘计算作为终端关键技术对人工智能算法在算力有限的终端上的部署成为关键中的关键。本文以苗圃验收环节中松树株数识别的算法为例,提出一种适用于人工智能算法在嵌入式终端部署的轻量级苗圃松树苗检测计数算法。主要工作如下:(1)为达到在边缘嵌入式端部署移植并对苗圃松苗植株进行检测计数的要求,本文在YOLOv5s模型的基础上,采取了两种改进方法,共七种方案,以实现模型的轻量化。一种是将其原本的将CSPDarknet53主干网络重新进行轻量化设计以减少模型整体参数量,提升运算速度,另一种是将YOLOv5s模型中的所有Bottleneck结构替换或设计为更轻型的结构,并对改进所有方案进行了实验。实验结果表明,将主干网络替换为Mobile Netv3结构这一方案有更好的轻量化效果,模型计算量由原本的15.9G大幅度降低到6.3G。(2)为减少模型轻量化后带来的精度损失,同时使改进模型满足在边缘端25frame/s的实时检测的需求,本实验对Mobile Netv3-YOLO模型进一步优化。首先在Io U基础上考虑了目标框和预测框的向量角度,采用SIo U损失函数作为预测函数,重新定义相关损失函数,从而使苗圃树苗预测框更加接近真实框;同时在模型中引入了CA坐标注意力机制,并通过对比实验分析选择最适合的添加位置,以更好的提升模型准确度;最后采取一种先剪枝再蒸馏的方案,通过模型中不重要的通道进行修剪的,再采用知识蒸馏的方式对剪枝后的模型进行微调使其精度恢复,在保证模型精确度的前提,再一次压缩了模型大小。研究结果表明,改进后Pruned Dist-Mobile Netv3-YOLO-SC在仅较原YOLOv5s平均精确度减少0.01的情况下,计算量减少到了5.8G,减少为原模型的36.48%,为边缘计算终端算法移植提供算法原型。(3)为确定模型在苗圃验收环节中实际应用效果,将本文提出的Pruned DistMobile Netv3-YOLO-SC模型移植部署到低成本且计算能力有限的小型嵌入式开发板上进行速度测试,检测速度达到25.6帧每秒,满足了苗圃验收实时检测的要求,同时验收准确率与传统人工验收准确率基本相同,但极大的节约了时间和人力成本,证明了本算法的实际应用价值。

关键词：边缘计算苗圃验收目标检测轻量化网络模型

基于GPU加速CNN模型的无人机视觉技术研究

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GPU加速CNN模型的无人机视觉技术研究

作者：周天愿哈尔滨工业大学

学位级别：硕士

本课题以部署在四旋翼无人机机载嵌入式计算平台的视觉推理技术为研究对象,相较于传统的目标检测算法的部署,本课题研究对象存在嵌入式计算平台的硬件资源有限,使得参数量、计算量大的网络模型难以直接部署在嵌入式计算平台进行实时推... 详细信息

本课题以部署在四旋翼无人机机载嵌入式计算平台的视觉推理技术为研究对象,相较于传统的目标检测算法的部署,本课题研究对象存在嵌入式计算平台的硬件资源有限,使得参数量、计算量大的网络模型难以直接部署在嵌入式计算平台进行实时推理的问题,以及无人机上搭载的视觉传感器由于高度原因会导致图像中检测物体的尺寸较小的问题。在嵌入式设备上部署深度学习网络进行实时推理以及利用计算机视觉提高无人机的自主飞行能力是当前机器视觉领域及机器人领域的热门研究方向。本课题基于SSD目标检测算法思想设计了针对本课题环境下四旋翼无人机小目标的目标检测网络模型,并利用软硬件加速技术提高了网络模型在嵌入式设备上进行网络推理的速率,通过分别进行对比实验分析验证了所设计网络模型及软硬件加速网络模型推理技术的有效性。本文的主要研究内容包括:首先,分析了各类目标检测算法的优缺点、深度可分离卷积轻量化网络模型的原理,为课题设计检测四旋翼无人机小目标的网络模型设计做了理论准备;其次,根据课题目标检测任务制作了小尺寸目标为主的数据集,并针对检测任务从先验框尺寸比例、用于检测的特征层、网络模型的轻量化三个方面进行了设计,通过网络模型参数量、推理结果对比验证了上述设计的有效性;然后,介绍了本课题所采用嵌入式计算平台的软硬件环境、基于Cuda并行架构加速网络模型运算的原理及部署过程、基于Tensor RT架构优化网络模型计算图的原理及部署过程、设计了在Tx2上利用多CPU提高目标检测速率的多线程模式,并通过网络模型参数量、推理速率、推理结果准确度对比验证了软硬件加速网络模型推理速度的有效性。最后,介绍了本课题搭建的四旋翼无人机实物验证平台,通过四旋翼无人机在飞行过程中进行实时视觉推理的实验,验证了所搭建实物平台的合理性及所设计网络模型的有效性。

关键词：目标检测轻量化网络模型网络模型优化无人机嵌入式GPU

改进YOLOv4在道路交通标志识别的应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

改进YOLOv4在道路交通标志识别的应用研究

作者：王泽华河北工程大学

学位级别：硕士

对于交通标志识别系统,其核心作用就是可以准确并及时的识别道路交通标志信息获取当前路况以及行车环境,从而起到提醒和辅助驾驶员对道路信息的把控以及纠正错误交通行为的作用。传统的目标检测算法容易受到多种因素影响导致算法实现困... 详细信息

对于交通标志识别系统,其核心作用就是可以准确并及时的识别道路交通标志信息获取当前路况以及行车环境,从而起到提醒和辅助驾驶员对道路信息的把控以及纠正错误交通行为的作用。传统的目标检测算法容易受到多种因素影响导致算法实现困难、识别精度低、识别速率慢等问题,因此本文选用目前检测效果最好的网络模型YOLOv4网络来实现对交通标志的检测识别。由于YOLOv4网络模型在对图像进行检测识别时所产生的冗余信息过多而影响模型的检测精度,基于这一问题,本文提出了一种融合注意力机制的池化结构SAP模块对YOLOv4网络进行优化从而解决这一问题。而作为交通标志识别系统,其一般都被运用于高速行驶的汽车之中,因此对识别的准确率以及实时性要求较高。对于YOLOv4网络以及改进后的SAP-YOLO网络来说,其模型都过于庞大从而导致在嵌入式交通标志识别系统中难以得到应用,因此本文通过轻量化神经网络Mobilenet网络对SAPYOLO网络进行优化,使其在保持检测精度的同时降低模型大小、提升检测速率。本文主要工作有以下几点:(1)由于国内交通标志数据集较为匮乏,因此本文选用了自制交通标志数据集来对改进后的网络进行训练和测试,并对数据集进行了标注以及数据增强。(2)针对YOLOv4网络在对图像进行检测识别时所产生的冗余信息过多的问题,提出了SAP池化结构,解决多通道池化层的信息冗余问题,并通过引入非极大值抑制算法去除冗余的预测框,从而提升算法的检测精度。(3)通过K-means++算法对自制数据集的先验框进行重新聚类,生成9个新的先验框。(4)针对YOLOv4网络参数量过大,检测速率较慢的问题,通过融合轻量化神经网络Mobilenet来降低模型的大小、提升检测速率。最后对改进后的算法M-SAP-YOLO网络进行了训练和实验。实验结果表明,本文所提出的算法对各类交通标志都有着较好的识别效果,平均识别精度达到了91.99%,而改进后算法的模型大小仅有58.97MB,仅有YOLOv4网络的五分之一,且检测速率达到了44帧每秒,较YOLOv4网络提升了近90%的检测速率,表明本文改进算法M-SAP-YOLO有着一定的鲁棒性。

关键词：交通标志检测多通道池化 SAP模块信息冗余 K-means++聚类轻量化网络模型

基于YOLOv3的国内交通标志识别及嵌入式实现

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YOLOv3的国内交通标志识别及嵌入式实现

作者：刘明旺海南大学

学位级别：硕士

近年来,随着人工智能领域的研究突破,汽车的辅助驾驶系统的推出改变了以往的驾驶模式。系统通过获取实时的路况信息,及时地提醒驾驶员做出准确的操作,从而防止因疲劳驾驶而导致车祸发生。交通标志是重要的路况信息,如何快速准确地识别... 详细信息

近年来,随着人工智能领域的研究突破,汽车的辅助驾驶系统的推出改变了以往的驾驶模式。系统通过获取实时的路况信息,及时地提醒驾驶员做出准确的操作,从而防止因疲劳驾驶而导致车祸发生。交通标志是重要的路况信息,如何快速准确地识别交通标志牌至关重要。然而传统的目标检测算法在实景测试中面临着一些弊端,例如:易受光线、角度、障碍物遮挡、行车速度等因素限制,而且难以实现多目标检测、容易漏检、识别慢。本文面向交通标志实时准确识别的需要采取了针对性的研究和开发,主要工作如下:（1）鉴于国内交通标志的研究样本较少,选择了数据集较为完整的CCTSDB数据集,并对CCTSDB进行了预处理和扩充。标注数据有三大类:指示标志、禁止标志、警告标志。常见的交通标志均已包含,图片所选环境的复杂程度符合实际情况。（2）首先利用深度学习网络YOLOv3对CCTSDB做初步训练,在测试中,对于图片的识别上,准确率均到达98%以上,识别所需时间为0.03s左右。可见利用YOLOv3可以进行实时检测识别。然而,在视频识别上,对于远处小目标容易出现漏检,甚至是错检。针对这一问题,本文对yolo层下的anchor值做了聚类分析,结合了实验数据集的ground truth的坐标参数,并修改了网络参数。测试结果表明,优化后的YOLOv3对于小目标的空间定位上性能得到了改善,识别效果提高。（3）为了满足实际应用需求,便于嵌入式的移植,本文对YOLOv3模型进行轻量化处理,以YOLOv3-tiny框架为模板,减少网络层数以降低计算复杂度。在开发板的选取上,本文采用的是英伟达公司的嵌入式AI开发套件Jetson Nano。其优势在于它支持NVIDIA JetPack,可以并行运行多个神经网络对图像分类,目标检测,分割和语音处理等应用。此外搭载了树莓派的CSI摄像头。测试结果表明,对于图片样本的识别所需时间为0.1s左右,现场实时识别帧数可达15fps,基本满足实时检测的条件。

关键词：交通标志深度学习目标检测轻量化网络模型