面向边缘端设备的轻量化视频异常事件检测方法

现有基于CNN模型的视频异常事件检测方法在精度不断提升的同时,面临架构复杂、参数庞大、训练冗长等问题,致使硬件算力需求高,难以适配无人机等计算资源有限的边缘端设备。为此,提出一种面向边缘端设备的轻量化异常事件检测方法,旨在平衡检测性能与推理延迟。首先,由原始视频序列提取梯度立方体与光流立方体作为事件表观与运动特征表示;其次,设计改进的小规模PCANet获取梯度立方体对应的高层次分块直方图特征;再次,根据每个局部分块的直方图特征分布情况计算表观异常得分,同时基于内部像素光流幅值累加计算运动异常得分;最后,依据表观与运动异常得分的加权融合值判别异常分块,实现表观与运动异常事件联合检测与定位。在公开数据集UCSD的Ped1与Ped2子集上进行实验验证,该方法的帧层面AUC分别达到86.7%与94.9%,领先大多数对比方法,且参数量明显降低。实验结果表明,该方法在低算力需求下,可以实现较高的异常检测稳定性和准确率,能够有效兼顾检测精度与计算资源,因此适用于低功耗边缘端设备。

面向边缘端设备的轻量级金具检测方法

为解决金具检测模型参数冗余大、终端部署检测实时性差等问题,文中设计一种基于网络通道剪枝的模型压缩算法。针对轻量级检测模型HRM-CenterNet存在的通道冗余问题,提出了分段稀疏化训练和全局通道剪枝方案。剪枝后的Pruned-HRMC模型参数量仅11.2 M,边缘端推理速度达到44 FPS,较原始模型体积缩小3倍,加速近2倍。结果表明,剪枝方案在金具检测任务上以极小的精度损失换取了大规模的模型压缩,极大满足了边缘端实时检测的工业需求。

全局-实例特征对齐域适应检测方法及系统设计

在实际应用检测模型时,由于真实场景和训练数据集间的差异,检测算法的效果受到较大影响。为了在目标场景中获得更好的检测效果,通常需要采集、标注数据后训练,不仅成本高昂且流程复杂。提出基于注意力机制的全局-实例域适应检测算法与系统,仅需采集部分真实场景数据即可进行迁移学习,实现模型快速训练和边缘端-云端结合的远程部署。该域适应检测算法中,基于注意力机制的全局特征对抗学习算法可减弱背景特征在迁移学习中的负作用;基于字典学习的实例级特征对齐方法,对实例级特征进行高精度对齐。经过实验对比,本文的方法达到了接近SOTA(state-of-the-art)的水平,并通过消融实验定量地证明了本方法对于域适应检测效果的提升。本文将提出的域适应检测技术与具有数据传输链路的边缘端系统结合,在实际场景中使检测效果提升近10个点。

面向信号调制识别的神经网络模型轻量化方法

为了提高智能化信号调制识别任务的实时性,本文对用于信号调制识别的深度学习模型进行了轻量化研究.通道剪枝是减小模型复杂度的有效方法,但现有的方法受原始模型深度的限制,虽然剪枝后的计算量减少,但是加速效果并不明显.针对上述问题,本文提出一种面向信号调制识别的神经网络模型轻量化方法,以卷积层作为最小剪枝单元,为每个卷积层生成代理分类器,根据代理分类器的分类精度评估卷积层的重要性,移除重要性较小的模块从而实现剪枝,对剪枝后的模型进行微调,以恢复模型的准确率.在公开数据集上,对多种信号分类模型进行实验,与通道剪枝方法相比,可以更有效地加速模型推理,模型参数量和浮点计算量下降80%以上,推理时间下降70%以上.而针对在高压缩率下模型性能损失问题,本文提出以知识蒸馏代替微调过程,将“知识”直接从原模型转移到剪枝后的紧凑模型,相比于微调,准确率提升可达2%.

基于物联网在线监测的开关门耐久试验辅助系统

随着汽车“四化”的推动,汽车试验室的网联化和信息化也在不断发展。文章基于物联网实时采集技术,利用边缘端设备,获取开关门耐久试验中相关试验设备所输出的参数信息,并将采集到的参数信息经解析后发布给kafka消息中间件,使得influxDB时序数据库能够以订阅主题的方式将数据存储于数据库中;此外,还可通过开源的可视化软件Grafana直接调用数据库中的数据,并将数据在不同的看板中进行展示;除实现展示功能外,还能够将采集到的报警信息和监测到的异常数据以短信或邮件的形式推送给试验人员,帮助试验人员能够及时有效地获取试验信息,提高了试验效率。