【摘 要】
：
计算机视觉技术随着卷积神经网络快速发展取得了巨大突破,在视觉检测领域,已经出现了众多如YOLO、Fast-RNN等经典高精度模型。然而这些网络模型也存在着两个问题:一是经典目标检测模型参数、浮点计算量庞大,不能在性能较弱的移动设备推理部署,二是随着网络模型参数、浮点计算量减少,网络模型性能直线下降,即网络轻量化后检测精度不足。这些问题限制了目标检测算法的落地应用和检测效果。针对上述问题,本文基于主
论文部分内容阅读
计算机视觉技术随着卷积神经网络快速发展取得了巨大突破,在视觉检测领域,已经出现了众多如YOLO、Fast-RNN等经典高精度模型。然而这些网络模型也存在着两个问题:一是经典目标检测模型参数、浮点计算量庞大,不能在性能较弱的移动设备推理部署,二是随着网络模型参数、浮点计算量减少,网络模型性能直线下降,即网络轻量化后检测精度不足。这些问题限制了目标检测算法的落地应用和检测效果。针对上述问题,本文基于主流目标检测网络YOLOv3进行了改进,提出了一种轻量级目标检测网络YOLO-SNet-tiny,该网络模型主要进行了网络模型轻量化和提升网络模型检测精度两个方面研究与创新。针对网络模型轻量化:一是将YOLOv3模型骨干网络直接替换为Shuffle Net v2轻量级特征提取网络。二是将颈部网络、检测头网络中常用的标准卷积替换为轻量级的深度卷积。这两种方法大量减少了网络模型中的参数与浮点计算量。针对提升网络模型检测精度:一是提出了轻量级颈部网络结构PAN-Tiny,进行自上而下和自下而上双向特征融合。二是提出一种新混合注意力机制模块,增强网络对重要信息的关注度。三是提出一种全新的轻量级解耦检测头Head-Lite,精细化分类与回归任务。这三种方法缓解了模型轻量化后导致目标检测模型性能大幅度下滑的情况。为验证YOLO-SNet-tiny性能,本文以COCO2017为训练和验证数据集在嵌入式设备Jetson Nano Bo1 CPU上进行了实验,实验结果显示,YOLO-SNet-tiny在COCO数据集上m AP（0.5）达到了30.4%,与前沿模型YOLOv4-tiny相比,在相同分辨率的情况下,YOLO-SNet-tiny以比YOLOv4-tiny低10%m AP（0.5）的精度损失,获得了约3倍于YOLOv4-tiny的模型推理速度,浮点运算量仅约为YOLOv4-tiny的1/14、网络参数量约为YOLOv4-tiny的1/6。
其他文献
逆散射问题致力于根据从探测区域内测量的散射场数据反演介质目标的电性能参数空间分布。由于逆散射问题内在固有的非线性和病态性,通常需要采用带有正则化的非线性迭代优化方法求解该问题。然而,这些方法在计算过程中计算代价高并且在成像过程中不能实时重构,还需要根据经验人工设计正则化函数和选择正则化参数,使得算法的适用性受到人为因素的影响。鉴于此,本文引入深度学习的技术,分别从基于深度学习辅助的反演方案、基于物
空间科学与技术是世界科技大国的竞争焦点之一,也是提供国家安全保障、牵引国家科技进步,拉动社会经济发展,提高国民凝聚力和向心力的重要领域之一。我国作为世界上空间科学与技术竞争前沿的参与者之一,今年来陆续开展了载人航天、空间站、探月返回、火星探测等多个战略级空间项目。这些项目的开展极大的保障了我国的国家安全、拉动了我国的经济发展,提高了民族自豪感。空间科技的研究以对空间环境的认识和理解为先导,因此各航
物联网技术的飞速发展推动许多新兴应用的出现,而移动用户终端通常由于有限的资源不能满足应用程序在通信和计算方面低时延的要求。移动边缘计算（Mobile Edge Computing,MEC）技术通过在位于网络边缘的接入点提供较低传输延迟的密集计算服务,减少对远程云的卸载量,已经成为一种有效的解决方案。然而,传统的MEC在一些复杂的地形或恶劣天气中存在无法接入的情况,密集部署MEC服务器又是昂贵且不合
伴随着无线充电设备的市场需求量不断扩大,无线电能传输（WPT）技术发展相当迅速,其中磁耦合谐振式无线电能传输（MCR-WPT）技术因为方便、安全、整洁而广受青睐。随着MCR-WPT产品的普及,传统的单发射单接收（Single-Input-Single-Output,SISO）MCR-WPT系统已渐渐无法满足市场需求,多发射多接收（Multiple-Input-Multiple-Output,MIM
医学影像分割对于疾病的诊断和治疗至关重要,可以有效提高临床诊断效率,为手术方案和预后治疗提供量化指导。多模态医学影像可以反映人体不同的生物信息和组织特征。因此,基于深度学习的多模态医学图像分割算法可广泛应用于智能医疗、疾病诊断、术前规划、医学大数据分析等研究领域。但是,医学图像数据的匮乏和多模态医学图像分割算法的低精度严重限制了医学图像分析在实际临床场景中的应用。本文以脑肿瘤的多模态MRI（Mag
雷达发射波形直接决定了雷达的探测性能,因此雷达波形设计具有十分重要的意义。衡量雷达波形优劣的一类典型指标是波形的相关特性。通常,传统相控阵雷达的发射波形需要具备理想的自相关特性;MIMO雷达的发射波形需要具备理想的自相关和互相关特性。雷达发射机可发射单个波形或波形集,实现目标的探测或环境的感知。通常,波形集的相关特性要优于单个波形的相关特性,因此雷达波形集的研究引起了广泛关注。其中,互补序列集（C
随着智能设备的普及,越来越多的计算资源被用来处理应用任务,设备的计算能力限制逐渐成为通信系统中不可避免的难题,而采用移动边缘计算（Mobile Edge Computing,MEC）技术可以帮助物联网设备将计算密集型任务卸载到移动网络的边缘,减少设备的计算压力。然而在实际场景中静态边缘计算服务器不能根据移动用户的需求进行动态部署,凭借无人机（Unmanned aerial vehicles,UAV
下雨天会使监控摄像机获取的户外图像或视频中引入雨条纹,雨条纹会遮挡图像背景、造成图像模糊。一般来说,图像的清晰度直接关系到基于图像应用系统的可靠性。随着目标检测、人脸识别以及自动驾驶等计算机视觉任务的需求日益增加,对含雨图像进行处理有着广阔的应用前景。随着深度学习理论和技术的不断发展,基于深度学习的方法在利用深层网络自动提取图像特征上有天然优势,能够在含雨图像与干净背景之间学习复杂的非线性映射。雨
近年来,磁耦合谐振式无线电能传输（Magnetic-Coupled Resonant Wireless Power Transfer,MCR-WPT）技术凭借传输距离适中、传输效率高、输出功率大、电磁辐射小等优点受到广泛关注。针对传统同轴式MCR-WPT系统线圈占用空间较大、不易摆放的问题,提出了一种易于安放在家居环境的共面式MCR-WPT系统,该系统可逐段扩展,适用于长距离下给多个负载供电的应用
随着无人机技术的不断发展,无人机变得越来越普遍,因此无人机的应用场景也越来越广泛。通常在室外环境下,无人机可以依靠全球定位系统（Global Positioning System,GPS）完成飞行任务,但是在GPS信号不佳的室内环境下,无人机将无法依靠GPS完成室内飞行任务,为了使无人机在室内环境有更广泛的应用场景,需要设计一个室内导航定位系统。因此,本文对超宽带定位技术进行了分析与研究,设计了一