基于深度特征金字塔的路面病害检测

道路为人们的生活和工作提供了方便,路面作为道路最重要的组成部分,直接影响了道路的使用,但由于车辆行驶和风吹日晒,路面病害层出不穷。利用目标检测技术对路面病害进行快速检测,可以及时筛选出病害,降低日常人工检查的负担,提高养护效率。然而,路面病害特征比较细微,随着神经网络深度的不断增加和下采样,细节信息损失比较多。通过将通道注意力集成到特征金字塔网络,可以从通道和空间两个维度上提高网络对路面病害的表征能力,同时提出了一种新的路面病害特征提取器,使得网络更关注低层次特征。实验部分,将改进后的特征金字塔分别应用在Road Damage Dataset 2018数据集和自制的沥青路面病害数据集上,并与其他经典的目标检测模型进行了比较,实验结果证明了基于改进后的特征金字塔的模型在路面病害检测上的有效性。

基于滤波器分布拟合的神经网络剪枝算法

随着人工智能技术的迅猛发展,深度神经网络在不断地加深与变宽,模型的计算量快速增加,神经网络模型的高存储和高功耗的需求也随之产生。网络剪枝是实现模型压缩和加速的一种有效方法。常见的剪枝方法遵循“较小规范-不重要”的标准来对滤波器进行修剪,认为范值较小的滤波器重要性较低,可以安全地修剪掉。针对删去重要性较小的滤波器容易导致滤波器范数分布不均衡的问题,文中提出了一种拟合原始滤波器范数分布的剪枝算法。该算法不仅可以筛选出拟合了原始范数分布的滤波器,还能删去冗余的滤波器。实验表明该算法在两个数据集上的模型压缩效果均优于对比实验。其中,在CIFAR-10数据集上压缩基于ResNet110的图像分类模型的效果明显,最终在减少了62%以上的FLOPs的情况下,相对准确率仅降低了0.14%。