基于轻量化卷积神经网络的纬编针织物组织结构分类

为解决纬编针织物组织结构自动分类时现有方法计算量偏大的问题,基于轻量化卷积神经网络,提出了一种改进的纬编针织物组织结构分类方法。采集纬编针织物组织双面的图像,以准确判断其结构类型。在特征提取步骤中,引入了注意力机制模块,修正各个层次特征在通道域和空间域的权重。构建的双分支网络架构能并行提取织物双面的特征信息。在分类阶段,采用了串行策略来融合高维特征向量,以确定纬编针织物组织所属类别。使用准确率、宏精确率、宏召回率以及宏F_(1)评估模型的性能,并统计了参数量和计算复杂度衡量模型的资源消耗。实验结果显示,对于纬编针织物特殊的结构特点,双分支网络架构具有很好的适应性。改进后的模型增强了不同组织间的特征区分度,在受到角度旋转、尺度改变、光照条件变化等干扰下,本文方法的分类准确率可达99.51%,且保持了较小的资源消耗。

基于轻量化卷积神经网络的雷达干扰识别技术研究

随着科学技术的不断革新,当前电子战形势日益复杂,雷达面临的电子干扰呈高相参、强欺骗、隐匿性、低功率等特性,严重削弱了雷达的探测和跟踪性能,甚至使其失去作战能力。因此,精准识别雷达面临的有源干扰样式是雷达系统进行针对性干扰抑制的前提。轻量化卷积神经网络(MobileNet)无需人为提取特征便能有效捕获图像中的空间结构信息,在图像处理及分类领域表现优异。文中提出了基于MobileNet的雷达干扰识别模型,应用对雷达有源干扰的时频特性数据集验证模型的分类效果。实验结果表明,所建立的模型对雷达干扰识别分类的F1-score高达约0.9,相比于SIFT模板匹配、CNN等模型在各指标上更优,分类效果更好。

基于轻量化卷积神经网络的蜂窝流量低复杂度预测方法

随着蜂窝网络数据流量需求的高速增长,对于未来时刻蜂窝流量情况的精准预测,可以帮助改善网络资源分配、实现流量负载均衡,并部署基站节能与休眠策略。基于轻量化线性瓶颈结构,提出了一个具有多个并列分支结构的空时预测模型,分别提取近期历史数据和周期性历史数据中的空时特征。对于网格化空时数据中的空间依赖性,额外通过K-Means算法对网格高维特征进行聚类,并提取网格基站密度信息作为跨域特征输入到模型中,实现了使用低复杂度、低算力需求模型对研究范围全域流量的精准预测。

基于轻量化卷积神经网络的文档版面分析算法

现有的文档版面分析方法复杂,模型参数较多,且资源消耗较高,在低功耗移动终端上很难部署。因此,提出一种基于轻量化卷积神经网络的文档版面分析算法。首先,设计一种轻量化文档特征提取结构,通过结构重参数化实现隐式特征重用,提高文档特征提取的效率和速度。其次,引入SPD-Conv模块,通过空间转深度操作对特征图进行尺寸调整和通道数扩展,更好地保留细粒度信息,同时解决图像模糊和小型版面基元检测困难。最后,提出一种简洁的特征融合方法,并通过模型压缩实现性能和推理效率的平衡。实验结果显示,该方法在PubLayNet数据集上仅使用了160万个模型参数,可达到93.8%的mAP@0.5:0.95得分。这说明该算法能够在减少参数数量的情况下实现出色的检测精度,能够满足移动终端环境下高性能文档布局分析的要求。

机载超轻量化卷积神经网络加速器设计

卷积神经网络庞大的权重参数和复杂的网络层结构,使其计算复杂度过高,所需的计算资源和存储资源也随着网络层数的增加而快速增长,难以在资源和功耗有严苛要求的机载嵌入式计算系统中部署,制约了机载嵌入式计算系统朝着高智能化发展。针对资源受限的机载嵌入式计算系统对超轻量化智能计算的需求,提出一套全流程的卷积神经网络模型优化加速方法,在对算法模型进行超轻量化处理后,通过组合加速算子搭建卷积神经网络加速器,并基于FPGA开展网络模型推理过程的功能验证。结果证明:本文搭建的加速器能够显著降低硬件资源占用率,获得良好的算法加速比,对机载嵌入式智能计算系统设计具有重要意义。

基于轻量化多尺度神经网络的ZPW-2000移频信号检测方法

针对ZPW-2000移频信号在不平衡牵引电流干扰时低频信号难以检测的问题,提出基于卷积注意力模块的轻量化多尺度神经网络的移频信号低频信息检测方法。首先,根据ZPW-2000移频信号的载频范围,使用不同卷积核大小的多尺度层提取相应载频调制下的移频信号特征;其次,建立线性倒残差模块实现网络轻量化,在保证网络检测准确率的同时减少网络参数,缩短网络检测时长;最后,引入卷积注意力模块,标定通道和空间特征权重,提升网络性能,通过全连接层进行分类,输出18种低频信号的概率分布。结果表明:将含有工频谐波干扰等5类噪声的移频信号输入低频检测模型中进行检测,平均准确率可达99.22%,召回率达到99.21%,综合评价指标值为0.992,检测时间不超过0.249 s。该方法检测效果更优,具有良好的抗干扰能力,可为带内噪声干扰条件下检测ZPW-2000移频信号的低频信息提供重要参考。

基于轻量化卷积神经网络的变电站高压断路器分合状态检测

变电站内的高压断路器对维护电力系统的稳定意义重大,其分合状态直接控制着高压线路和电气设备的运行工况。针对现有变电站断路器分合状态识别精度低、抗噪性弱、计算效率低等问题,提出了一种基于轻量化卷积神经网络(MobileNet)的变电站高压断路器分合状态检测方法,采集多种复杂场景下的高压断路器分合状态图像,构建检测数据集,并进行模型的训练和验证。实验结果表明,MobileNet模型在识别高压断路器“分”“合”状态时,准确率高达96.25%,精准率、召回率均显著优于SVM、朴素贝叶斯等经典的二分类模型,可为变电站断路器状态的自动化检测提供理论支持。

基于课程学习的轻量级卷积神经网络研究

近年来,卷积神经网络的快速发展推动着计算机视觉及相关任务的性能提升。在网络层数增加和任务复杂度提升的同时,卷积神经网络仍面临一些问题。基于此,文章利用课程学习训练方法对轻量化卷积神经网络进行了设计,旨在进一步提高其性能。

基于轻量化卷积神经网络模型的云与云阴影检测方法

大多数遥感影像数据不可避免地受到云层的污染导致数据的失效。因此,对云进行检测是非常必要的预处理步骤。随着航天技术的飞速发展,更加轻便的卫星被设计出来,为在这些算力有限的微小卫星上配备遥感影像预处理模型。设计一种高精度、算力要求低的轻量化云与云阴影检测网络模型具有重要意义。针对上述问题,提出一种基于深度可分离卷积的轻量化卷积神经网络(lightweight M-shaped network,L-MNet)模型,L-MNet网络模型是在M-Net(M-shaped network)模型的基础上引入深度可分离卷积(depthwise separable convolution,DS-Conv),设计一种深度可分离卷积模块(DS-Conv Block),以减小算法的复杂度及计算量。结果表明:所提方法在保证检测精度的前提下,可以有效减小像素级云检测的模型大小及计算量,有助于实现微小卫星在轨云检测的任务。

基于轻量化卷积神经网络的森林火灾烟雾检测算法

现有的基于卷积神经网络的森林火灾烟雾检测算法,存在烟雾特征提取结构过于复杂、烟雾多尺度特征融合方法过于繁琐、计算复杂度大以及应用场景单一等问题,而且其部署所需硬件配置高且难以适应多变的森林环境,这阻碍了其在森林防火领域的实际应用。为此,设计了一种基于轻量化卷积神经网络的森林火灾烟雾检测算法。首先,为提高烟雾特征提取的能力和速度,基于重参数化技术与跨阶段局部网络,提出一种轻量化烟雾特征提取结构。其次,基于简化的特征金字塔网络和路径聚合网络,设计出轻量化烟雾多尺度特征融合方法,实现不同尺度烟雾特征的高效融合。然后,提出一种烟雾检测后处理方法并增加类似烟雾图像进行算法模型训练,避免不同应用场景中非火灾烟雾图像和类似烟雾图像对检测算法的影响。最后,采用本文构建的烟雾图像数据集对算法进行验证。实验结果表明,本文算法相对于其它算法具有较高的检测精度和速度,F_(1)分数达82.6%,AP值达54.5%,最高检测速度达869张/秒。

虚拟现实中基于轻量级神经网络的手势识别

手势是虚拟现实环境中的重要输入方式,手势识别的精准度和效率为虚拟现实环境的有效交互提供了基础。为了提高虚拟现实环境中手势识别的正确率和速度,提出了一种基于轻量级优化卷积神经网络的手势识别模型。首先,对手势图像样本进行特征提取及初始化,并构建卷积神经网络手势识别模型。然后,借助MobileNet V2进行轻量化处理,通过深度与逐点卷积,有效降低手势识别模型参数量和计算量。最后,根据最小化手势识别误差反向求解神经网络的各个参数。试验结果表明,所提轻量级神经网络的手势识别准确率相对于原始卷积神经网络有微小下降,但其识别效率却大幅提升,特别是在大规模手势样本的识别场景下。轻量级卷积神经网络表现出了较高的识别综合性能,在虚拟现实环境下的手势识别适应度较高。

FPGA平台轻量化卷积神经网络辐射源信号识别方法

针对卷积神经网络计算资源消耗大、难以在边缘侧应用等问题,提出了一种面向FPGA(Field Programmable Gate Array)平台的基于知识蒸馏的轻量化卷积神经网络辐射源信号识别方法。该方法以信号时频图作为特征提取对象,结合改进的知识蒸馏方法对卷积神经网络进行轻量化处理,通过注意力图增强知识信息传递,并融合深度可分离卷积,进一步提高网络稀疏度。最后,将该轻量化网络在FPGA平台上进行结构优化,通过改进循环策略和流水线并行设计,加速轻量化卷积神经网络的辐射源信号识别过程。仿真结果显示,利用本文提出的轻量化卷积神经网络辐射源信号识别算法,网络参数量降低了81.8%,在信噪比不低于-12dB的条件下,信号识别准确率达到了90%以上,FPGA平台信号识别时间为86ms,平均功耗为2W,可满足边缘侧终端对信号实时检测以及低功耗的实际应用需求。

基于轻量化卷积神经网络的人体动作识别

针对传统卷积神经网络模型LeNet识别准确率低,占用内存大等问题,提出了一种基于轻量化卷积神经网络的人体动作识别模型(human activity recognition net,HARNet)。首先,利用MobileNetV2模型参数量和计算量小的特点,利用迁移学习方法,将预训练好的权重参数迁移到MobileNetV2模型中,最后添加全连接层构建了HARNet,实现了对日常行为动作的准确识别和分类。实验结果表明,该模型动作识别平均准确率可达89%,相比于传统卷积神经网络LeNet,准确率更高,且训练好的模型内存大小仅8.97 MB,验证了该模型的有效性。

基于视频先验信息的轻量化去噪卷积神经网络

提出了一种基于视频先验信息的轻量化去噪卷积神经网络.先验信息从近邻的多帧视频图像中获取,采用了基于预去噪的视频运动补偿方法消除噪声和运动偏移对信息获取准确度的影响.为降低卷积神经网络复杂度,构建了基于双路处理的卷积神经网络用于去除视频噪声,特别是设计了双路稠密连接单元,实现了网络的轻量化.双路稠密连接单元通过高、低分辨率特征分解和特征拼接,有效降低了网络复杂度.实验结果表明:采用本文方法去除视频噪声能够获得较好的客观评价结果和主观视觉结果 .此外,在减少网络参数、降低浮点运算次数和提升运行速度方面均体现出了良好性能.

基于轻量化卷积神经网络的滚动轴承快速故障诊断方法

针对现有诊断滚动轴承故障的方法存在训练参数量大、变工况下识别度低的缺点,提出一种基于轻量化卷积神经网络的滚动轴承快速故障诊断方法。将原始振动信号进行处理,获得二维时频图,构建轻量化卷积神经网络,提取时频图特征,采用小样本迁移的方法诊断变工况下的故障。结果表明:在凯斯西储大学数据集上进行试验,单一工况与变工况下诊断准确率分别为99.99%与92.50%,变工况下采用小样本迁移的方法使故障诊断准确率达到99.87%,在渥太华大学数据集上进行试验,诊断准确率为92.55%,通过对比验证了提出方法的有效性。

基于卷积神经网络的颜色修正水下图像增强方法

在水下环境中,由于光线的吸收和散射等环境问题,使得图像的颜色失真和对比度低,导致图像质量下降。为了提高图像的视觉效果,提出了一种基于卷积神经网络的水下图像增强算法。首先,利用新的水下成像模型校正水下图像的色偏问题;然后,利用卷积神经网络提取修正后的图像通道特征,通过多尺度注意力模块重新加权通道特征以增强不同特征图的一致性,并与颜色校正后的图像进行特征融合;最后,通过重建计算模块融合特征,改进图像增强效果。实验结果表明,该算法能够更好地校正图像颜色失真,提高图像对比度,最主要的优势在于该算法的运行速度比其他先进的水下图像增强方法快两倍。

轻量化卷积神经网络的人脸识别技术的应用研究

虽然将深度学习与人脸识别相结合,可以提高系统响应速度和人脸识别精度,但该算法的计算量、参数量极大,对硬件性能所提出要求十分严格,因此,始终未能得到推广。近几年,为控制计算成本,研究人员先后开发多种轻量化网络,文章以此为背景,首先说明了人脸识别的原理,其次介绍了基于LCNN的识别技术,包括MTCNN、Mobile Net等,最后围绕LCNN在人脸识别过程中的具体应用展开了讨论,内容涉及构建数据集、选择检测方法、处理数据等方面,供有关人员参考。

基于卷积神经网络的采血管铝箔帽状态检测方法

目的 针对医学实验室自动化生化免疫检验流水线识别准确率和识别速度要求极高、采血管类型众多、采血管铝箔帽状态复杂以及管壁挂液干扰严重的问题,提出一种基于卷积神经网络的采血管铝箔帽状态检测方法,以实现采血管铝箔帽状态的识别。方法 首先采用轻量化的模型设计思想,通过减少模型的深度降低参数量和计算量,同时引入通道注意力机制,以提高样本特征的提取能力;其次采用Focal Loss损失函数解决难例样本挖掘的问题,进一步优化模型的性能;最后,通过教师网络指导学生网络进行知识蒸馏,得到最终轻量化的小模型。结果 对学生网络模型的轻量化设计使该检测方法适用于资源有限的边缘计算设备,模型的参数量仅为0.354 M,计算量为0.165 GFlops,对Jetson Nano设备的识别速度为3.42 ms,且其在复杂的采血管情况下,识别准确率可达100%。结论 本研究充分验证了该模型的轻量化、高效性和实用性,说明基于轻量化卷积神经分类网络模型的检测方法可准确识别采血管铝箔帽状态,是医学实验室自动化生化免疫检验流水线中采血管铝箔帽状态检测的解决方案。

基于轻量化卷积神经网络的水声通信前导信号检测方法

前导信号检测是水声通信的关键环节,只有检测成功才能唤醒接收机进行后续的通信数据处理,以完成通信。目前常用的归一化匹配滤波检测算法,实现简单、抗噪声性能好,但无法有效对抗多径效应,在信道结构比较复杂的情况下检测性能会明显降低。将近年来在图像分类领域取得极好效果的卷积神经网络(Convolutional Neural Network,CNN),应用于水声通信前导信号检测领域,在信道结构复杂的情况下仍能够实现高性能检测。但基于经典CNN的检测算法,运算量和参数量较大,难以满足水声通信的时效性和水下通信机低能耗的要求。因此,本文利用深度可分离卷积和全局平均池化技术,结合水声通信前导信号检测问题的具体特点,基于Lenet-5设计了一种用于水声通信前导信号检测的紧凑神经网络。并利用基于通道间独立性的过滤器剪枝技术和训练后量化技术,对训练后的紧凑网络进行进一步压缩,最终得到一个用于水声通信前导信号检测的轻量化神经网络。千岛湖实验结果表明,该轻量化神经网络的检测性能和经典CNN相差不大,能够有效对抗复杂信道环境,且其所需参数量和运算量相比于经典CNN大幅下降,能够很好地满足水声通信的时效性和水下通信机低能耗的要求。

基于轻量化卷积神经网络的高分辨率遥感图像地物分类研究

近年来深度学习技术得到快速发展,其逐渐被应用于高分辨率遥感图像的地物分类中。深度学习方法通过自动学习遥感图像中的高层次特征进行地物信息提取,较传统方法能取得更好的分类效果。Transformer架构已逐渐成为遥感图像的信息提取领域主要的深度学习模型,具有对图像的分类精度高的优点,但其模型往往结构复杂、计算量大、推理速度慢,导致应用场景受限。本文提出了一个轻量化卷积神经网络模型方法(ConvNeXt-Tiny+Multilayer Perceptron,ConvN-T+MLP)用于遥感图像地物分类,旨在保持或提高模型分类精度的同时降低模型复杂度。实验结果表明,本文提出的Conv N-T+MLP模型在具备较低计算量和参数量的同时,提高了遥感图像的地物分类精度,体现出模型的轻量性、高效性。