基于轻量化深度神经网络(LDNet)的图像去雾方法

在低光照雾霾场景下,图像质量严重下降。现有的深度学习去雾方法缺乏对低光照去雾后图像色偏的有效校正,且大多运行时间长且模型参数量大,在实际应用中不便部署。针对上述问题,以编解码网络结构为基础,提出了一种端到端、轻量化深度神经网络(LDNet)用于低光照雾霾图像去雾。该网络采用多尺度架构来获取不同层级的图像信息,以充分利用图像的深浅层特征;在此基础上,设计了轻量化多级特征融合模块和轻量化通道注意力模块提取各层级的特征信息,以解决常规模型在低模型参数量和低计算复杂度情况下特征提取能力差的问题;最后,联合均方误差内容损失和CIEDE2000色偏损失共同优化网络,进一步提高了轻量化网络的学习能力。试验结果表明,与现有的去雾网络相比,LDNet能有效恢复低光照雾霾场景下的有雾图像质量,且具有资源占用少、参数量小和运算量低的优点。

深度神经网络架构轻量化方法综述

当前,深度神经网络作为学术界和工业界最受关注的研究方向之一,倍受广大科研人员青睐,但是存在架构很复杂、参数量巨大、计算成本、存储成本过高的缺点。因此,如何在保证神经网络性能可接受的情况下对其去冗余、实现轻量化设计成为热点问题。当前,各种轻量化方法如雨后春笋般涌现,为给希望利用轻量化神经网络解决具体问题的研究人员建立对网络轻量化方法的整体认识、快速选择合适的解决方案,文中对具有代表性的架构轻量化方法进行介绍:剪枝、架构搜索、知识蒸馏以及轻量化卷积核设计,并从不同角度对比分析各种方法优劣,最后在宏观层面展望神经网络轻量化的未来发展方向。

基于深度残差网络的脊柱疾病分类预测

脊柱退化性疾病,作为脊柱外科中最常见的疾病脊椎疾病,其发病正呈现年轻化的趋势。磁共振成像作为一种非侵入式检查手段,凭借对软组织成像好、无辐射、对肌肉骨骼疾病的特异性和敏感度较高等优点,在临床上被用于脊椎疾病的诊断。该文提出了一种基于深度残差网络的脊椎病核磁共振图像人工智能分类模型,能够帮助医生实现早期的脊柱退化性疾病筛查,帮助患者尽早得到正确有效的治疗。据实验结果表明,该模型不仅可以获得比传统神经网络深度学习算法更高的脊椎疾病识别率,还可以比传统神经网络深度学习算法提高35%到85%的计算效率并节省70%以上的内存占用。这一点使得该算法能够适应于资源有限的移动终端和对延迟要求比较高的医疗场景。

基于国产嵌入式智能计算平台的无人机检测方法

面向陆地战场上对反无人机侦察的现实需求,提出一种基于国产嵌入式智能计算平台的无人机检测方法。针对无人机体型小、易受战场环境影响而不易察觉的难题,采用红外、可见光图像和视频流等多源输入进行目标检测;针对嵌入式平台算力和存储能力有限的特性,构建轻量化深度神经网络,通过将单次多盒检测器(SSD)中的特征提取网络替换为MobileNet进行模型优化;选用国产嵌入式平台比特大陆SE5智能计算盒进行验证,完成模型转换和移植。实验结果表明:所提基于轻量化深度神经网络MobileNet-SSD的无人机检测方法在国产嵌入式智能计算平台上能够准确判断出目标的类别,且平均识别精度和帧率与在开发环境中运行差距不大。充分表明所提方法在国产嵌入式智能计算平台上进行移植后,能够在速度和精度方面满足应用环境对无人机检测算法实时性与准确性的要求。