深度神经网络的仿生矩阵约简与量化方法

基于生物学原理的深度神经网络(DNN)的发展给人工智能领域带来了革命性的突破,然而当前神经网络的发展却越来越脱离生物学原理,DNN越来越臃肿的模型对存储空间和计算力的需求越来越高,并且对于DNN在嵌入式/移动端设备上的部署带来了阻碍。针对这一问题,对生物学进化选择原理进行研究,并提出一种基于"进化"+"随机"+"选择"的全新神经网络算法。该方法在保持现有神经网络模型的基本框架的前提下,能极大简化现有模型的大小。首先对权值参数进行聚类,然后在参数的聚类质心值的基础上添加随机微扰进行参数重构,最后通过对重构模型进行图像分类和目标检测来实现准确度测试以及模型稳定性分析。在ImageNet数据集和COCO数据集上的实验结果表明,提出的模型重构方法在对图像分类和目标检测的测试准确度提升1%~3%的情况下,仍可将Darknet19、ResNet18、ResNet50以及YOLOv3等四种重构模型的体量压缩到原来的1/4~1/3,并还有进一步简化的可能。

面向人工智能图片合规检测的仿生模型研究

针对在网络不断发展下愈发泛滥的非合规图片,提出了一种基于仿生模型和YOLO的方法对图片进行检测。为满足实验需要,建立了合规图片数据集,并将数据人工标记为适应YOLO算法的VOC格式。其次,在网络模型层面结合了仿生学的思想,使用剪枝的方法对神经网络进行压缩,从而达到降低内存,提高吞吐量的目的。实验结果表明:使用YOLO算法检测效果相比其他目标检测方法速度更快,而压缩后的模型在精度几乎不变的情况下,缩小了体积,加快了检测速率。