为压缩网络剪枝过程中较大的搜索空间,从预训练深度神经网络中找到最佳的稀疏网络结构,本文提出一种基于遗传算法和知识蒸馏的分块压缩学习算法(CCLA).首先,在预定义压缩空间中将学生网络初始化为一个稀疏网络结构.然后,将教师网络和学...为压缩网络剪枝过程中较大的搜索空间,从预训练深度神经网络中找到最佳的稀疏网络结构,本文提出一种基于遗传算法和知识蒸馏的分块压缩学习算法(CCLA).首先,在预定义压缩空间中将学生网络初始化为一个稀疏网络结构.然后,将教师网络和学生网络按层划分多个块网络,在教师网络的监督下对学生网络进行逐块压缩.最后,使用遗传算法搜索学生网络中每个块网络的稀疏结构.在CIFAR-10数据集上对VGG-16网络和ResNet-110网络的实验结果表明,本文所提方法性能表现良好,例如,在CIFAR-10数据集上对VGG-16进行压缩,可压缩掉87.82%的参数和70.4%的浮点运算(Floating Point of operations,FLOPs),而精度损失仅为0.37%.展开更多
针对快速扩展随机树(rapidly exploring random tree,RRT)算法在移动机器人路径规划过程中存在盲目搜索、内存计算量大和冗余点较多等问题,提出了改进的RRT算法。首先,随机点进行扩展时引入动态目标采样率,引导随机点向目标点方向扩展;...针对快速扩展随机树(rapidly exploring random tree,RRT)算法在移动机器人路径规划过程中存在盲目搜索、内存计算量大和冗余点较多等问题,提出了改进的RRT算法。首先,随机点进行扩展时引入动态目标采样率,引导随机点向目标点方向扩展;其次,融合A*算法中代价函数策略,在加入不同权重因子之后,选取代价值合适的节点作为待扩展节点;然后,针对初始路径过长并存在过多冗余点的问题,提出反向搜索剪枝方法,对裁剪后的路径进行三次样条插值平滑处理来改善路径质量;最后,利用Pycharm对改进的RRT算法进行仿真验证。仿真结果表明,改进的RRT算法相较于传统RRT算法、RRT*算法和基于概率P的RRT算法(P-RRT),在路径的规划长度、规划时间和扩展节点数上都具有明显优势,提高了机器人的路径规划效率。展开更多
针对传统遥感图像数据分析算法存在鲁棒性较差、适应度与计算效率均偏低的问题,文中基于YOLOv3提出了一种轻量化的遥感图像数据分析算法。该算法使用YOLOv3作为神经网络模型的框架,并将内部的Darknet-53多尺度卷积作为主网络。为了减小...针对传统遥感图像数据分析算法存在鲁棒性较差、适应度与计算效率均偏低的问题,文中基于YOLOv3提出了一种轻量化的遥感图像数据分析算法。该算法使用YOLOv3作为神经网络模型的框架,并将内部的Darknet-53多尺度卷积作为主网络。为了减小主网的冗余度,通过SE-Net模型连接网络的深层与浅层卷积,在轻量化的同时也增强了模型的深度特征提取能力。同时,根据改进后网络的权重输出结果,采用剪枝算法对卷积核进行简化,进而完成了模型的轻量化。在实验测试中,轻量化后的模型可显著提升FPS(Frames Per Second)值,且算法的mAP指标为93.25%,在对比算法中为最优,表明了算法模型的有效性及其性能的优越性。展开更多
文摘为压缩网络剪枝过程中较大的搜索空间,从预训练深度神经网络中找到最佳的稀疏网络结构,本文提出一种基于遗传算法和知识蒸馏的分块压缩学习算法(CCLA).首先,在预定义压缩空间中将学生网络初始化为一个稀疏网络结构.然后,将教师网络和学生网络按层划分多个块网络,在教师网络的监督下对学生网络进行逐块压缩.最后,使用遗传算法搜索学生网络中每个块网络的稀疏结构.在CIFAR-10数据集上对VGG-16网络和ResNet-110网络的实验结果表明,本文所提方法性能表现良好,例如,在CIFAR-10数据集上对VGG-16进行压缩,可压缩掉87.82%的参数和70.4%的浮点运算(Floating Point of operations,FLOPs),而精度损失仅为0.37%.
文摘针对快速扩展随机树(rapidly exploring random tree,RRT)算法在移动机器人路径规划过程中存在盲目搜索、内存计算量大和冗余点较多等问题,提出了改进的RRT算法。首先,随机点进行扩展时引入动态目标采样率,引导随机点向目标点方向扩展;其次,融合A*算法中代价函数策略,在加入不同权重因子之后,选取代价值合适的节点作为待扩展节点;然后,针对初始路径过长并存在过多冗余点的问题,提出反向搜索剪枝方法,对裁剪后的路径进行三次样条插值平滑处理来改善路径质量;最后,利用Pycharm对改进的RRT算法进行仿真验证。仿真结果表明,改进的RRT算法相较于传统RRT算法、RRT*算法和基于概率P的RRT算法(P-RRT),在路径的规划长度、规划时间和扩展节点数上都具有明显优势,提高了机器人的路径规划效率。
文摘针对传统遥感图像数据分析算法存在鲁棒性较差、适应度与计算效率均偏低的问题,文中基于YOLOv3提出了一种轻量化的遥感图像数据分析算法。该算法使用YOLOv3作为神经网络模型的框架,并将内部的Darknet-53多尺度卷积作为主网络。为了减小主网的冗余度,通过SE-Net模型连接网络的深层与浅层卷积,在轻量化的同时也增强了模型的深度特征提取能力。同时,根据改进后网络的权重输出结果,采用剪枝算法对卷积核进行简化,进而完成了模型的轻量化。在实验测试中,轻量化后的模型可显著提升FPS(Frames Per Second)值,且算法的mAP指标为93.25%,在对比算法中为最优,表明了算法模型的有效性及其性能的优越性。