荔枝剪枝堆肥和蚯蚓粪作为巨大普里斯特氏菌载体的研究

为探讨荔枝茎秆堆肥与蚯蚓粪替代草炭作为巨大普里斯特氏菌载体的可行性,以荔枝剪枝堆肥、蚯蚓粪和草炭为原料构建6种微生物载体(ST1、ST2、ST3、ST4、ST5、ST6,三者质量比分别为6∶2∶2、4∶2∶4、2∶2∶6、6∶3∶1、4∶3∶3、2∶3∶5),以草炭为对照,巨大普里斯特氏菌为目标微生物,动态监测载体中有效活菌数,获得适宜巨大普里斯特氏菌存活的载体;在此基础上,分别设置含水量20%、30%、40%,温度20、30、40、50℃和接种浓度10^(6)、10^(7)、10^(8)cfu·mL^(-1),动态监测载体中有效活菌数,优化载体含水量、温度和接种浓度。结果表明:随着培养时间的延长,各载体中活菌数均呈先降低后升高的趋势,其中ST2、ST5载体长期培养后活菌数高,且草炭添加量低,是适宜的巨大普里斯特氏菌载体。随着载体含水量、温度的升高,培养的60 d过程中ST2和ST5载体活菌数均呈先升高后降低的趋势,在30%含水量(ST22.46×10^(8)cfu·g^(-1)、ST51.81×10^(8)cfu·g^(-1))以及30℃(ST23.44×10^(8)cfu·g^(-1)、ST51.87×10^(8)cfu·g^(-1))、40℃(ST28.50×10^(7)cfu·g^(-1)、ST57.13×10^(7)cfu·g^(-1))温度下的活菌数最高。此外,各培养时期的载体活菌数均随着接种浓度的升高而升高,培养60 d后,ST2、ST5载体活菌数分别达3.63×10^(8)、3.33×10^(8)cfu·g^(-1)。研究表明,载体ST2和ST5适宜代替草炭作为巨大普里斯特氏菌的载体,且在30%载体含水量、30~40℃温度和10^(8)cfu·mL^(-1)接种浓度下效果最佳。

偏置剪枝叠式自编码回声状态网络的时序预测

针对大多数模型对时间序列预测数据的预测准确率较低,为提升时间序列的预测精度,提出一种基于Biased Drop-weight的偏置剪枝叠式自编码回声状态网络(BD-AE-SGESN)的深度模型。以叠式ESN为多层深度网络框架,提出一种生成式AE算法生成每一层的输入权值,利用BD算法根据输入权重激活值进行剪枝。对比实验结果表明,该模型能够有效提升预测准确率,在3个不同的数据上,相比其它模型有着较小的预测误差和较高的稳定度。

基于迁移学习与后训练剪枝的水母图像分类方法研究

水母是海洋重要的生物种群之一,其繁衍变化状态会对局部海洋甚至整个海洋生态造成重要影响。使用机器视觉方法快速识别不同种类的水母,能为相关海洋生态研究提供统计分析的有力数据。在ResNet18预训练网络模型的基础上,使用水母小规模数据集进行Fine-Tuning训练,以实现知识迁移的目的;然后,采用后训练剪枝的方法对更新后模型进行有效轻量化。实验证明,该网络模型具有轻量化、在精度相当的前提下计算量较少的特点,更容易部署于资源受限的场合。

基于依赖类型剪枝的双特征自适应融合网络用于方面级情感分析

现有的模型将基于依赖树的图神经网络用于方面级情感分析,一定程度上提升了模型的分类性能。然而,由于依赖解析技术的限制,语法解析结果的不精确导致依赖树存在大量噪声,使得模型的性能提升有限。此外,一些句子本身并不符合标准的句法结构。以往的研究以同样的置信度利用句法信息和语义信息,没有充分考虑它们对于确定方面词极性的贡献的不同,导致模型在相应的数据集上性能较差。为了克服这些困难,文中提出了一种基于依赖类型剪枝的双特征自适应融合网络。具体来说,该模型使用一种新型的混合方法,命名为依赖关系类型剪枝和邻接矩阵平滑,来缓解句法解析产生的噪声。此外,该模型通过双特征自适应融合模块充分考虑句子的句法信息的可用程度,以一种更灵活的方式将句法特征和语义特征结合起来用于方面级情感分析。在5个公开可用的数据集上进行广泛的实验,结果证明了该方法明显优于基线模型。

智能园艺剪枝机器人的设计

本文针对我国目前园艺果树枝条修剪以人工为主、劳动强度大、效率低、人力成本较高、严重制约我国水果产业高质量发展的问题,在分析国内外剪枝机器人发展现状的基础上,提出设计一种智能剪枝机器人。首先利用UG软件进行剪枝机器人的结构设计、三维建模;其次对剪枝机器人的控制系统硬件平台进行开发,设计多通道遥控远程控制和微型机自动控制两种控制方式,利用前后双无线图传系统进行图像采集、识别和传输;最后设计剪枝机器人控制系统方案。通过研制剪枝机器人样机并进行剪枝测试,试验证明,该剪枝机器人性能稳定,提高了剪枝效率,降低了劳动强度,具有推广和应用价值,并为同类的园艺智能化设备的研究提供了参考。

基于模型剪枝的物联网识别方法研究

在物联网应用中,各深度学习模型对数据采集、处理和传输的效率将直接影响物联网设备的应用性能。为了提高效率,本文提出一种针对卷积神经网络模型剪枝方法,以减少模型复杂度,降低计算和存储需求,同时保持模型较高的识别精度。采用一种基于全局重要性剪枝的策略,通过对整个网络进行重要性评估,去除一些对输出结果影响较小的参数和神经元。同时,为了保持模型的识别精度,在剪枝后对模型进行重新训练,以降低剪枝对模型精度的影响。通过与其他未剪枝模型性能对比,验证剪枝技术对模型准确率的影响具有可控性。

基于剪枝与知识蒸馏的轻量级人像抠图方法

近年来,随着人像抠图技术的广泛应用,对其实时性与精度的要求也逐渐提高。现有轻量级方法在精度上难以得到保证,而精度更高的方法往往使用较大的网络结构,无法满足实时性需求。为了解决这一问题,提出了一种基于剪枝与知识蒸馏的轻量级人像抠图方法。该方法首先通过网络剪枝来获得一个轻量级学生网络结构,随后使用该学生网络进行知识蒸馏。实验证明,该方法可以在保证模型精度的前提下有效减少参数量和推理耗时,且相较现有的轻量级人像抠图方法具有更少的参数量和更高的精度。

通道剪枝与知识蒸馏相结合的轻量化SAR目标检测

轻量化SAR目标检测方法对快速检测SAR影像中的地物目标具有重要意义。针对轻量化检测方法精度不高的问题,设计了一种通道剪枝与知识蒸馏相结合的轻量化SAR目标检测方法。该方法通过对复杂网络中批归一化层的缩放因子γ进行稀疏化训练,判别对应特征通道的重要程度,进而裁剪次要通道,并在微调训练后将其作为教师网络,构造知识蒸馏框架指导轻量模型训练,提高轻量模型的检测精度。采用YOLOv5-6.1算法搭建了检测框架,并在重组的MSAR和SSDD多类目标数据集上进行了训练和检测试验,结果表明该方法能够在保持模型体积仅3.73 MB的轻量化条件下,提升SAR目标检测精度,验证了本文方法的有效性。

基于三值向二值演化的BNN剪枝方法

针对目前BNN(Binarized Neural Network)剪枝方法存在剪枝比例低、识别准确率显著下降以及依赖训练后微调的问题,提出了一种基于三值向二值演化的滤波器级的BNN剪枝方法,命名为ETB(Evolution from Ternary to Binary)。ETB是基于学习的,通过在BNN的量化函数中引入可训练的量化阈值,使权重和激活值逐渐从三值演化到二值或零,旨在使网络在训练期间自动识别不重要的结构。此外,一个剪枝率调节算法也被设计用于调控网络的剪枝率。训练后,全零滤波器和对应的输出通道可被直接裁剪而获得精简的BNN,无需微调。为证明提出方法的可行性和其提升BNN推理效率而不牺牲准确率的潜力,在CIFAR-10上进行实验:在CIFAR-10数据集上,ETB对VGG-Small模型进行了46.3%的剪枝,模型大小压缩至0.34 MByte,准确率为89.97%,并在ResNet-18模型上进行了30.01%的剪枝,模型大小压缩至1.33 MByte,准确率为90.79%。在准确率和参数量方面,对比一些现有的BNN剪枝方法,ETB具有一定的优势。

滤波器弹性的深度神经网络通道剪枝压缩方法

深度神经网络(deep neural network,DNN)在各个领域获得了巨大成功,由于其需要高额的计算和储存成本,难以直接将它们部署到资源受限的移动设备端。针对这个问题,对网络中的全局滤波器重要性评估进行了研究,提出滤波器弹性的通道剪枝压缩方法以轻量化神经网络的规模。该方法先设置层间局部动态阈值改进L1正则化(L1 lasso)稀疏训练中剪枝过度的不足;然后将其输出乘以通道缩放因子替换普通的卷积层模块,利用滤波器的弹性大小定义全局滤波器的重要性,其数值由泰勒公式估计得出并排序,同时设计新的滤波器迭代剪枝框架,以平衡剪枝性能和剪枝速度的矛盾;最后利用改进的L1正则化训练和全局滤波器重要性程度进行复合通道剪枝。在CIFAR-10上使用所提方法对VGG-16进行实验,减少了80.2%的浮点运算次数(FLOPs)和97.0%的参数量,而没有明显的准确性损失,表明了方法的有效性,能大规模地压缩神经网络,可部署于资源受限的终端设备。

基于多模态融合和自适应剪枝Transformer的脑肿瘤图像分割算法

脑肿瘤是目前世界上最致命的肿瘤之一,所以脑肿瘤图像的自动分割在临床诊疗中变得日益重要.近年来,基于CNN和Transformer的脑肿瘤分割方法在医学图像分割领域取得了令人欣喜的成就.然而,大多数方法没有充分利用脑肿瘤多模态间的互补性和差异性,并且模型中的Transformer在捕获远程依赖性的同时,忽略了其较大的计算复杂性、冗余依赖性等问题.针对此问题,提出一种基于多模态融合和自适应剪枝Transformer的脑肿瘤图像分割方法(MF-MAPT Swin UNETR),其中多模态融合模块可以充分学习性质相近的模态间信息和不同模态不同尺度的特征变化,为后续分割提供了充分的准备;基于多模态的自适应剪枝Transformer可以降低计算复杂度,对提升性能有一定的帮助,将MF-MAPT Swin UNETR模型在两个公共数据集上进行了实验验证,结果表明,该模型较最先进的方法整体具有突出的分割性能.

一种基于部分数据的多级剪枝Obfs4混淆流量识别方法

Obfs4混淆流量是匿名通信网络Tor的一种承载流量,因其强匿名的特性而被滥用于非法网络活动,因此识别Obfs4混淆流量对预防利用Tor网络进行的网络犯罪具有重要作用。现有识别策略往往侧重于分析Obfs4流量特征,将完整流样本利用机器学习或深度学习技术进行精细化识别,但处于在线流识别的应用场景下时间开销偏高,且识别准确度在Obfs4应用间隔到达时间反检测技术(Inter-arrival Timing,IAT)后有所下降。为此,提出了一种基于部分数据的多级剪枝Obfs4混淆流量识别方法,仅收集每个流最先到达的少量数据包进行多轮快速过滤,并重点针对IAT模式特性设计识别方法,提升了Obfs4流量识别的效率和鲁棒性。该方法将识别过程分为握手阶段和加密通信阶段。在握手阶段,充分挖掘Obfs4握手数据包的隐含语义,进行随机性、时序和长度分布特征的粗粒度快速剪枝;在加密通信阶段,先对每个流的前若干数据包进行特征提取,并提高IAT相关特征的权重,最后利用XGBoost分类方法进行细粒度识别。实验结果表明,在包括了应用IAT技术的混淆流量的数据集上,使用流的前30~50个数据包能达到99%的正确率和精确度,平均每条流的处理时间在毫秒级。

基于聚类和生成对抗学习模型的滤波器剪枝

深度神经网络过深的网络架构和冗余的参数会导致昂贵的计算成本,近年来深度神经网络的压缩与加速已成为研究热点。针对现有方法的范数准则局限性以及标签依赖问题,提出一种基于聚类中心和生成对抗学习的结构化滤波器剪枝方法(FPCC-GAN):使用K-means聚类算法按卷积层将滤波器逐层聚类;比例化修剪各簇内离聚类中心较近的提取冗余特征的滤波器;使用生成对抗学习迭代训练。实验结果分析表明,与当前主流方法相比,该方法具有更高的准确率。

注意力机制量化剪枝优化方法

面向基于注意力机制模型的巨大计算和访存开销问题,研究量化和剪枝协同优化的模型压缩技术,提出针对注意力机制中查询、键、值、概率共四个激活值矩阵的对称线性定点量化方法。同时,提出概率矩阵剪枝方法和渐进式剪枝策略,有效降低剪枝精度损失。在不同数据集上的实验结果表明,针对典型基于注意力机制模型BERT,在较低或者没有精度损失的情况下该优化方法可达到4位或8位定点量化、0.93~0.98的稀疏度,大幅度降低模型计算量,为加速量化稀疏模型的推理奠定良好的基础。

面向大型数据集的高效决策树参数剪枝算法

决策树在数据分类上具有较好的效果,但容易产生过拟合的现象,解决方案是对决策树进行剪枝处理,然而传统剪枝算法普遍存在预剪枝容易欠拟合、后剪枝时间消耗多、网络搜索剪枝仅适用于小型数据集等问题。为了解决以上问题,提出一种高效的决策树参数剪枝算法。根据网络安全态势感知模型,建立剪枝决策树态势感知系统架构,分析网络数据流。在生成决策树的过程中,利用枚举与二分搜索算法找出决策树最大深度,采用深度优先搜索算法找到节点最小分裂数和最大特征数,最终结合这3个最优参数自上而下完成剪枝。实验结果表明,所提算法在大型数据集上的过拟合风险较小,训练集与测试集准确率都在95%以上,同时相比于后剪枝算法中表现较好的悲观错误剪枝算法快了近20倍。

基于多粒度特征交叉剪枝的点击率预测模型

在推荐系统中,学习有效的高阶特征交互是提升点击率预测的关键.现有的研究将低阶特征进行组合来学习高阶交叉特征表示,导致模型的时间复杂度随着特征维度的增加呈指数型增长;而基于深度神经网络的高阶特征交叉模型也无法很好地拟合低阶特征交叉,影响预测的准确率.针对这些问题,提出了基于多粒度特征交叉剪枝的点击率预测模型FeatNet.该模型首先在显式的特征粒度上,通过特征剪枝生成有效的特征集合,保持了不同特征组合的多样性,也降低了高阶特征交叉的复杂度;基于剪枝后的特征集合,在特征元素粒度上进一步进行隐式高阶特征交叉,通过滤波器自动过滤无效的特征交叉.在2个真实的数据集上进行了大量的实验,FeatNet都取得了最优的点击率预测效果.

基于可分离扩张卷积和通道剪枝的番茄病害分类方法

为了实现番茄病害的快速检测,针对传统卷积神经网络病害分类方法参数量大、对算力要求高的问题,提出了一种基于可分离扩张卷积和通道剪枝的番茄病害分类方法。基于MobileNet v2,提出了一种可分离扩张卷积块,在不增加网络参数的情况下,扩大网络的感受野,提升网络提取番茄叶部病害特征的能力。然后替换PReLU激活函数,避免产生梯度弥散问题。同时能够更好地处理图像,提高网络对番茄叶部病害负值特征信息的提取能力,具有更好的鲁棒性。最后,使用通道剪枝技术,引入缩放因子联合权重损失函数,分辨相对不重要的通道,并对其进行裁剪,再对剪枝后的网络进行微调并重复以上步骤,在大幅减少网络参数量的同时,不影响网络的性能。在数据集上的结果表明,研究方法在网络参数量仅为0.7 M的情况下,准确率达到了96.44%,精确率达到了96.36%。与目前主流轻量化网络MobileNet v3、GhostNet、ShuffleNet v2相比,模型准确率分别提高了0.45、0.77、0.24百分点,同时模型参数量分别仅为以上模型的12.96%、13.46%、30.43%,模型更轻量且准确率更高。

不同剪枝量对桃树生长与结果的影响

修剪是促使桃园能够优质、高产最为关键的管理措施之一。以瑞蟠10号和雨花2号两个桃品种为试材,于休眠期分别进行无修剪(0剪枝量,延迟修剪)、轻剪(约50%剪枝量)和正常剪(约70%剪枝量)等3种剪枝量处理,以便探究休眠期不同剪枝量处理对于树体生长和结果所造成的影响。结果显示:瑞蟠10号桃延迟修剪、轻剪处理在6月底时的短枝比率分别是正常剪处理的2.00、1.90倍,而雨花2号桃延迟修剪、轻剪处理在6月底时的短枝比率分别是正常剪处理的1.19、1.17倍;瑞蟠10号和雨花2号桃轻剪处理667 m2产量均高于正常剪处理和延迟修剪处理,但可溶性固形物、可滴定酸含量均与正常剪处理无显著差异。研究结果对桃生产中的修剪管理具有一定的指导意义。

基于通道剪枝的轻量化空气质量检测方法

针对传统空气质量检测系统结构复杂、部署困难以及成本较高的问题,利用图卷积网络对大气图像特征进行分析,提出了一种基于通道剪枝的轻量化空气质量检测算法。首先以ResNet50为基础网络训练一个PM 2.5指数检测网络,实现了空气质量初步的自动化检测。然后对网络模型中的所有卷积核通道和相关的参数传递进行图节点核权重边建模,以图表示形式输入GCN,并输出针对每个卷积核节点的剪枝重要性判别预测。最后根据GCN结果进行通道剪枝,使用原始数据集对剪枝后模型的参数进行微调,在保持网络检测精准度的情况下,实现网络模型的轻量化。通过对比实验和消融实验验证了提出的检测方法具有较高的检测精度,平均检测误差仅有5.31%,RMSE提升了0.52,R-square仅降低了0.018,解决了网络模型的参数量和计算量过大的问题,网络参数量从4.12×10^(7)降低至2.01×10^(7),FPS从16.78帧/s提升至30.9帧/s,为在便携式终端上实现空气质量检测任务提供了有力的技术支持。

船舶辐射噪声分类卷积神经网络的可视化分析和卷积核剪枝

当前基于深度神经网络的船舶辐射噪声分类研究主要关注分类性能,对模型的解释性关注较少。本文首先采用导向反向传播和输入空间优化,基于DeepShip数据集,构建以对数谱为输入的船舶辐射噪声分类卷积神经网络(CNN),提出了一种船舶辐射噪声分类CNN的可视化分析方法。结果显示,多帧特征对齐算法改进了可视化效果,深层卷积核检测线谱和背景两类特征。其次,基于线谱是船舶分类的稳健特征这一知识,提出了一种卷积核剪枝方法,不仅提升了CNN分类性能,且训练过程更加稳定。导向反向传播可视化结果表明,卷积核剪枝后的CNN更加关注线谱信息。