面向无依托供电场景的小目标检测轻量级模型

针对现有目标检测模型在无依托供电场景存在检测效果不稳定、小目标大量漏检的问题,基于YOLOv4-tiny提出一种改进模型AMS-YOLOv4-tiny。通过在主干网之后引入更平滑的Mish函数、设计一种浅层特征加固的特征融合网络SCFPN、反复嵌入通道注意力机制3种策略,大幅提升预测特征层对目标的表达能力。实验结果表明,算法在PASCAL VOC07+12数据集上的mAP(mean of average precision)达到87.19%,相比YOLOv4-tiny提高4.45%,且部署在嵌入式设备上进行可行性验证,满足多种复杂场景下人车检测任务的精度与实时性要求。

面向深度神经网络加速芯片的高效硬件优化策略

轻量级神经网络部署在低功耗平台上的解决方案可有效用于无人机(UAV)检测、自动驾驶等人工智能(AI)、物联网(IOT)领域,但在资源有限情况下,同时兼顾高精度和低延时来构建深度神经网络(DNN)加速器是非常有挑战性的。该文针对此问题提出一系列高效的硬件优化策略,包括构建可堆叠共享计算引擎(PE)以平衡不同卷积中数据重用和内存访问模式的不一致;提出了可调的循环次数和通道增强方法,有效扩展加速器与外部存储器之间的访问带宽,提高DNN浅层网络计算效率;优化了预加载工作流,从整体上提高了异构系统的并行度。经Xilinx Ultra96 V2板卡验证,该文的硬件优化策略有效地改进了iSmart3-SkyNet和SkrSkr-SkyNet类的DNN加速芯片设计。结果显示,优化后的加速器每秒处理78.576帧图像,每幅图像的功耗为0.068 J。

一种微功耗磁性目标探测器研制

针对传统磁性目标探测器在小型化和微功耗方面存在的不足,提出了基于磁阻式传感器HMC1052的微功耗磁性目标探测器设计,并给出了具体的实现方案;提出了利用信号时域特征来检测磁性目标的方法并设计了用于提高信噪比的信号预处理算法;通过实验标定出探测器的灵敏度和噪声分别是14.4μV/nT和14.2μV/nT及12nT,使用基于三轴亥姆霍磁线圈的半实物仿真系统和地面运动的汽车对探测器的目标识别能力进行测试,结果说明探测器具有较强的识别能力;功耗测试结果表明探测器可以在电池供电情况下工作较长时间;探测器具有微功耗、高精度、体积小和实时目标检测等优点,可以应用于近距离磁性目标探测。

面向微博用户的消费意图识别算法

利用迁移学习的方法,融合京东问答平台数据与少量已标注的微博数据构建训练集,提出一种基于注意力机制的双向长短期记忆神经网络(Attentional-Bi-LSTM)模型,用于识别用户的隐性消费意图。针对显性意图识别问题,提出一种结合TF-IDF(termfrequency-inversedocumentfrequency)与句法分析中动宾关系(VOB)的消费意图对象提取算法。实验结果表明,通过将迁移京东问答平台的数据与微博数据相融合,可以有效地扩充训练集,在此基础上训练的神经网络分类模型具有较高的准确率和召回率;融合VOB和TF-IDF的显性消费意图对象提取方法的准确率达到78.8%。