基于轻量网络的遥感影像建筑物提取

针对现有建筑物提取算法存在的将研究重点集中于精度提升,而忽略模型计算量和参数量增长的问题,设计了一种用于高分辨率遥感影像建筑物提取的轻量网络模型。该模型以U-Net结构为基础,使用由深度可分离卷积和普通卷积组成的混合卷积单元搭建模型,以减少模型的计算量和参数量。同时,在模型的每个单元后增加轻量级的双注意力模块,加强模型的特征提取能力,提高建筑物提取精度,实现模型在性能和时空复杂度上的平衡。在Satellite datasetⅡ数据集上的实验结果表明,轻量网络模型的交并比(IoU)和F_(1)分数达到了0.6964和0.8211,较U-Net模型分别提高了4.45%和3.18%;计算量和参数量较UNet模型分别减少了34.56%和44.79%,整体性能提升明显。在提取效果方面,模型在面对复杂背景、小建筑物和周围地物干扰时的提取结果较其他神经网络模型更好。

基于注意力机制ResNet轻量网络的面部表情识别

针对ResNet18网络模型在面部表情识别时存在网络模型大、准确率低等问题,提出了一种基于注意力机制ResNet轻量网络模型(Multi-Scale CBAM Lightweight ResNet,MCLResNet),能够以较少的参数量、较高的准确率实现面部表情的识别。首先,采用ResNet18作为主干网络提取特征,引入分组卷积减少ResNet18的参数量;利用倒残差结构增加网络深度,优化了图像特征提取效果。其次,将CBAM(Convolutional Block Attention Module)通道注意力模块中的共享全连接层替换为1×3的卷积模块,有效减少了通道信息的丢失;在CBAM空间注意力模块中添加多尺度卷积模块获得了不同尺度的空间特征信息。最后,将多尺度空间特征融合的CBAM模块(Multi-Scale CBAM,MSCBAM)添加到轻量的ResNet模型中,有效增加了网络模型的特征表达能力,另外在引入MSCBAM的网络模型输出层增加一层全连接层,以此增加模型在输出时的非线性表示。该模型在FER2013和CK+数据集上的实验结果表明,本文提出的模型参数量相比ResNet18下降82.58%,并且有较好的识别准确率。

融入IBN-NET的轻量网络在金属圆柱工件缺陷识别中的应用

金属圆柱工件的缺陷特征容易受到环境光影响,而使用传统卷积神经网络检测金属圆柱工件缺陷,存在网络参数多,运算量大和泛化能力低等问题,难以满足工业现场检测的实时性和高精度要求.针对这些问题,提出一种融入实例-批归一化网络(IBN-NET)的轻量网络模型.在轻量卷积神经网络SqueezeNext的基础上,加入增强泛化能力的IBN-NET,将浅层卷积层后的批标准化(BN)用一定比例的实例标准化(IN)替代,形成网络模型的基础模块;通过组合基础模块,形成改进的网络模型.实验采用具有5类金属圆柱工件缺陷的图像进行对比测试,结果表明,融入IBN-NET的改进网络模型拥有更高的泛化能力,在GTX1080显卡上,改进网络模型仅需0.58 M参数量和5.54 ms的识别时间就能达到95.8%的识别精度.

动态光照环境下基于轻量网络的磁瓦正反面识别

在对磁瓦进行分拣封箱时基本依赖传统人工在严格的光照条件下进行分类,需要较大的人力物力的消耗。为提高磁瓦分拣的智能化水平,提出将深度学习引入到磁瓦正反分类当中,利用轻量型网络对磁瓦图像进行正反分类。首先考虑光线角度问题进行磁瓦正反面数据集的采集,并对其进行预处理得到标准图像。然后利用MobileNet对磁瓦正反面进行训练和分类。该系统可以达到99.6%的分类准确率,实验结果表明该方法所用参数量少,对硬件设备需求低,具有实际可行性,对磁瓦分类具有良好的效果。

基于轻量型网络的无人机遥感图像中茶叶枯病检测方法

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的可区分特征,减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块,帮助网络在通道维度上学习目标的综合特征,减少因病斑和背景之间的相似性造成的误检,同时删除原基线网络最大的特征图,以减少计算量和模型大小。此外,本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量,提高小样本条件下LiTLBNet网络泛化能力。实验结果表明,利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%,平均精度均值为78.5%,与YOLO v5s接近。然而,LiTLBNet内存占用量仅2.0 MB,是YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。

VSM指导下MSDNet轻量型融合网络建模与仿真

轻量级的图像融合算法对于人眼观察和机器识别有着重要的意义.通过对视觉显著性在红外与可见光图像融合过程中的重要性研究,在SDNet融合网络的基础上,优化并设计了一种视觉显著图(visual saliency map,VSM)指导下的MSDNet轻量型融合网络.首先,通过对SDNet的结构以及通道数进行了缩减以加快训练及推理速度,并利用结构参数化与反参数化技术增强轻量化模型的学习能力;然后,针对模型的训练,使用了基于显著值图VSM指导的损失函数,实现模型的自监督训练;最后,在训练结束时,将图像重建分支删除,根据卷积参数融合得到最终的轻量化模型.实验表明,该轻量化网络能够在保证图像融合质量的基础上,极大地提高了融合的速率,使其在移动端的移植成为可能.

改进轻量卷积网络在葡萄病害叶片的分类方法

针对传统人工检测葡萄叶片病害种类准确率不高、效率低的问题,提出了一种改进轻量卷积网络模型的葡萄叶片病害图像分类方法。选择对小规模数据分类效果好的Xception网络作为基础模型,对其进行创新性改进,首先,将原始网络中的ReLU激活函数替换为ELU激活函数;其次,设计全新的全连接层,使用全局最大池化层替换原来的全局平均池化层,并对输出层进行改进;再次,在网络中嵌入通道注意力机制。对数据进行预处理,将数据按4∶1的比例划分训练集和测试集。为模拟现实拍摄情况,在训练时采用数据增强方法,对数据进行扩容,然后将在ImageNet上预训练好的权重参数迁移到改进的模型中。实验结果表明,改进的葡萄叶片病害分类模型(Grape-Xception)的准确率相较于原始模型提高了2.95个百分点达到99.57%,研究模型的规模为81.38MB。与其他网络模型相比,准确率大幅提高,为葡萄叶片病害的快速诊断和及时防控提供了一种准确高效的方法。

基于高分辨率网络的轻量型人体姿态估计研究

现有人体姿态估计网络通常采用增加网络模型深度的方式来提高预测精度,但是导致网络模型的参数量以及运算复杂度增加。为此,在高分辨率网络的基础上提出一种融入Ghost模块、Sandglass模块以及注意力机制的轻量型人体姿态估计网络GSENet。参考基础残差模块Bottleneck以及Basicblock,将Bottleneck模块中的标准卷积替换为Ghost卷积,并且将Basicblock模块中的卷积替换为Sandglass模块,通过这种方式重新构建基础模块GSEneck以及GSEblock。在此基础上,加入注意力机制以保证网络的预测精度。实验结果表明,相比HRNet,GSENet在COCO数据集上的参数量和运算复杂度分别减少84.6%和76.1%,在MPII数据集上的参数量和运算复杂度降低84.6%和76.8%,在保持一定预测精度的情况下,GSENet网络模型能够有效地减少网络参数量并降低运算复杂度。

轻量型Yolov7-TSA网络在茶叶病害检测识别中的研究与应用

针对现有茶叶病害识别方法准确率低、模型运行速度慢和缺乏检测功能等问题,提出一种新的Yolov7-TSA(Yolov7-Tiny-SiLU-Attention)轻量型网络架构对茶叶病害检测和分类。将Yolov7-T网络中的LeakReLU激活函数替换为SiLU激活函数,以提升检测精度,并防止过拟合。同时,通过融合坐标注意力机制进一步提升对目标轮廓和空间位置的特征感知能力。在含8种茶叶病害(含健康茶叶)的数据集上试验。结果表明,Yolov7-TSA网络对茶叶病害的识别准确率达到了94.2%,与Yolov7-T、Yolov7网络相比,分别提升了3.2、1.2个百分点。另外,Yolov7-TSA网络在参数量、浮点运算数、模型大小和单张图片推理时间方面表现出了显著的效果,与Yolov7网络相比,其分别降低了83%、87%、83%和34%。该网络模型实现了对茶叶病害的检测与分类,同时平衡了识别准确率和实时性能。

基于轻量神经网络的无线电调制识别算法

在信号环境日益复杂、信号调制样式种类多变的情况下,采用深度学习方法实现通信信号的调制识别是一种有效手段。针对当前模型存在着超参数量大、部分信号类型(如正交幅度调制信号)识别率低、识别时间过长等问题,提出了一种基于轻量神经网络的无线电自动调制识别算法。首先通过基于深度可分离卷积的基础单元实现特征提取,并引入通道洗牌操作对不同通道的特征进行重新分配,最终使用注意力机制和Smoothing Maximum Unit(SMU)激活函数加强特征挖掘、复用及学习能力。所提模型能够显著增强空间和通道间的信息交流,有效减少模型超参数量和训练耗时,并进一步解决深层网络中的梯度消失问题。实验结果表明,所提模型的平均识别准确率为90.60%,参数量为75000,训练耗时更短,优于目前流行的调制识别算法,尤其能缓解模型越复杂响应速度越慢的问题,证明了所提模型的有效性及鲁棒性。

改进轻量型网络USV避障系统设计

为了解决传统卷积神经网络(CNN)无法在计算能力有限的嵌入式终端运行以及网络对于小目标检测实时性较差的问题,设计改进轻量型MobileNet-SSD模型。首先,对模型进行学习训练,加载到嵌入式终端,用于检测水面无人艇(USV)行进过程中可能出现的目标障碍物,同时,使用单目摄像头对检测到的环境目标进行距离及方位的测量;其次,根据海洋海事公约设计动态避障策略,通过设置最小与会距离,实时计算USV与动静态目标的位置关系并执行相应的避障策略进行避障;最后,仿真及测试结果证明:本文算法的可行性,可设计一种响应速度较快的实时控制系统。

基于轻量卷积神经网络的智能电子秤设计

为解决商品交易过程中存在的效率性和准确性问题,运用OpenMV单目视觉和压力传感器设计了一款智能电子秤,并分别运用商品识别和质量检测进行了实验验证。在OpenMV单目视觉中融入轻量卷积神经网络模型,模拟不同光照下的香蕉、樱桃、石榴、草莓等水果进行了实验,其商品识别的准确率约为94.16%。此外,利用压力传感器对50 g、100 g、200 g等标准砝码进行质量测量,相对误差位于[0.05%,1.27%]之间,且误差与质量之间存在负相关。商品识别和质量检测实验结果呈现两者误差相对较小的特点,满足商品交易的实际需求,也直接反映出利用轻量卷积神经网络实现智能电子秤具有合理性。

基于轻量孪生网络的目标跟踪算法

行人目标跟踪是智能监控领域的一个重要课题。传统的目标跟踪技术,在跟踪精度上没有深度网络高,但深度卷积神经网络计算量极大,导致计算速度缓慢无法实时跟踪。随着卷积网络的不断发展,孪生网络在目标跟踪这一课题上脱颖而出,其根据子网共享权重的特点,可以训练出有效的网络只需要少量的参数,少量的参数也就意味着不易于过拟合以及运行速度快等突出的优点,适用于实时行人目标跟踪。文中采用孪生网络和轻量骨干网络构建目标跟踪网络,实现实时高精度的目标跟踪算法。

基于改进YOLOX的轻量型垃圾分类检测方法

生活垃圾分类是保护生态环境、促进绿色和谐发展的有效措施。针对移动端设备计算资源和内存有限,重量级模型难以嵌入等问题,本文提出一种基于改进YOLOX-tiny轻量型的垃圾分类检测方法。首先,使用EIoU替换原来的IoU损失函数,能加速收敛,提升检测精度;其次,在颈部网络引入注意力机制CBAM,对不同通道的权重重新分配,获取更多浅层的细粒度特征和深层的语义信息;最后,使用GhostBottleneck模块替换特征提取网络中的CSP模块,保留更多边缘信息,同时降低参数量,使模型轻量化。在华为云垃圾数据集上的实验结果表明,改进的算法与YOLOX-tiny相比,参数量降低至原来的87.97%,精度提升了0.3个百分点,在TrashNet数据集上的实验效果提升了0.36个百分点,从而证明了本文算法的有效性,该算法有利于嵌入移动端设备使用,具有一定的实用价值。

面向智能视觉货柜的轻量级商品目标检测方法

针对目标检测方法参数量大、计算复杂度高以及对复杂目标出现误检和漏检等问题,本文提出了一种适用于嵌入式设备的轻量级商品目标检测方法。通过重构高效混洗轻量网络,大幅度降低了网络的参数量和计算复杂度;融合多重感知注意力,将通道和空间域混合并行考虑来突出重点特征,弥补网络可能造成的特征损失,提高对复杂目标的检测率;构建双级快速特征加权金字塔网络用于特征学习,结合Hard-swish可高效快速的进行多尺度特征融合,提升网络的表征能力。该方法在商品目标检测任务中的均值平均精度达98.6%,且参数量降低了约41.2%,与先进的检测方法相比有更高检测精度并且更轻量,能够实现高质量的商品实时检测。

基于通道特征融合的水下图像轻量增强网络

针对水下探测机器人在视觉感知过程中由于图像退化容易造成辨识困难的问题,提出基于通道特征融合的水下图像轻量化增强网络。通过构建基于通道注意力模块的随机残差结构,并设计通道混洗模块,实现原图像与图像各层特征的细节融合;采用基于倒残差卷积的通道评分模块,通过通道之间的回归分离,提升网络对图像的增强效果;最后,网络以水下图像在颜色、局部特性等方向的增强为目标,设计包括高斯均方损失、结构性相似损失与感知损失等在内的网络损失函数,完成图像增强训练。通过对真实水下环境数据进行实验验证,算法在水下颜色色偏有更好的适应性,增强效果在细节保留上处理更优,模型参数更少,推理速度更快,更适合小型水下探测机器人的应用部署。

基于轻量神经网络的钢材表面缺陷快速识别

为满足生产环境中钢材表面缺陷实时分类识别的需求,提出一种可部署于移动端的轻量卷积神经网络模型用于高效识别钢材表面缺陷。通过知识蒸馏将ResNet50和MobileNetV3分别作为教师模型和学生模型,生成改进的轻量神经网络模型MobileNetV3_small_tp。利用MobileNetV3_small_tp作为预训练模型,选用NEU(Northeastern University)带钢表面缺陷数据集进行微调,同时使用数据增强以模拟实际工况,得到模型在测试集中精度达到100%。最后将模型部署于手机上进行实际钢材表面缺陷识别。移动端模型测试、验证以及实际检测结果均显示MobileNetV3_small_tp模型具有流畅的运行速度和较高的识别率,能够实现现场钢材表面缺陷的准确高效识别。

轻型多注意力融合网络实现图像超分辨率重建

提出一种轻量型多注意力融合网络(multi-attention fusion network,MAFN),在不影响网络性能的前提下,可有效地降低网络参数量和计算复杂度.MAFN由多个多尺度卷积注意力模块构建而成,而每个多尺度卷积注意力模块由支路残差多尺度卷积块、若干个非线性自由激活块及级联式的通道注意力和空间注意力机制组成.多尺度卷积注意力模块通过支路残差多尺度卷积块提取不同视野下的特征信息,并通过非线性自由激活块及注意力机制的融合以增强网络特征表征能力.实验表明,MAFN可有效提升网络性能和降低网络参数模型,且优于其他的先进方法.

基于轻量型卷积神经网络的交通标志识别方法

交通标志识别设备的功耗和硬件性能较低,而现有卷积神经网络模型内存占用高、训练速度慢、计算开销大,无法应用于识别设备.针对此问题,为降低模型存储,提升训练速度,引入深度可分离卷积和混洗分组卷积并与极限学习机相结合,提出两种轻量型卷积神经网络模型:DSC-ELM模型和SGC-ELM模型.模型使用轻量化卷积神经网络提取特征后,将特征送入极限学习机进行分类,解决了卷积神经网络全连接层参数训练慢的问题.新模型结合了轻量型卷积神经网络模型内存占用低、提取特征质量好以及ELM的泛化性好、训练速度快的优点.实验结果表明.与其他模型相比,该混合模型能够更加快速准确地完成交通标志识别任务.

基于知识蒸馏的轻量型神经网络设计

为了解决神经网络深度不断加深带来结构冗余的问题,提出了一种基于改进知识蒸馏算法的轻量型神经网络设计方法。该方法中,轻量型神经网络的卷积结构使用分组卷积与点式卷积相结合的残差结构,并结合基于风格迁移与特征重建的知识蒸馏算法对模型进行训练。网络在Cifar10和Cifar100中的实验结果表明,在准确率相当的前提下,轻量型神经网络的参数数量比普通残差网络减少了20%以上。同时,两种知识蒸馏算法结果的相近性说明分组卷积的人工设计部分对网络的影响较小。