【摘要】：深度神經(jīng)網(wǎng)絡(luò)是近年來人工智能領(lǐng)域一大重要研究方向。目前,深度學(xué)習(xí)中的目標(biāo)檢測方法通常采用卷積神經(jīng)網(wǎng)絡(luò)模型,通過矩陣計算實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的核心——卷積運(yùn)算。卷積神經(jīng)網(wǎng)絡(luò)模型的推理需要較多的存儲和計算資源。嵌入式設(shè)備中的存儲和計算資源往往有限,傳統(tǒng)的深度學(xué)習(xí)方法無法直接應(yīng)用于此類系統(tǒng)環(huán)境。在推理過程中,由于網(wǎng)絡(luò)的參數(shù)已經(jīng)固定,一方面不再需要冗余的參數(shù)來保證網(wǎng)絡(luò)的收斂,另一方面網(wǎng)絡(luò)參數(shù)的冗余性還會大幅度降低網(wǎng)絡(luò)前向傳播的速度并占用額外的存儲空間。因此,如何在訓(xùn)練完成后結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的自身特點消除網(wǎng)絡(luò)參數(shù)的冗余性并將該方法應(yīng)用于目標(biāo)檢測任務(wù)上,是一個亟待解決的重要問題。為了解決這個問題,在前向傳播過程中需要同時減少網(wǎng)絡(luò)的參數(shù)數(shù)量和網(wǎng)絡(luò)推理所需要的時間。主要工作如下:首先,對于卷積神經(jīng)網(wǎng)絡(luò)的基本原理與實現(xiàn)進(jìn)行了簡單分析,并介紹了基于該技術(shù)進(jìn)行的目標(biāo)檢測任務(wù)的相關(guān)技術(shù)實現(xiàn)細(xì)節(jié),為后續(xù)工作的展開提供了理論基礎(chǔ)。其次,總結(jié)分析了目前主流的神經(jīng)網(wǎng)絡(luò)壓縮和加速的方法,并對每一類方法的基本技術(shù)原理給出了簡要的介紹,分析和比較了了相關(guān)方法的優(yōu)缺點,為后續(xù)的工作指明了技術(shù)方向。最后,針對目前常用的基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測網(wǎng)絡(luò),結(jié)合相關(guān)文獻(xiàn)提出了針對卷積層進(jìn)行稀疏化通道剪枝,對目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行壓縮和加速,并在嵌入式平臺Nvidia jetson TX2上進(jìn)行測試。實驗過程使用了開源的深度學(xué)習(xí)框架平臺pytorch實現(xiàn)了針對網(wǎng)絡(luò)的壓縮和加速,并使用Caffe平臺進(jìn)行了壓縮和加速后的速度測試,驗證了方法的有效性。
【圖文】：

圖 2-1 均值濾波器示例作為一個滑動窗口作為濾波運(yùn)算的結(jié)果并。均值濾波能夠一定像素的平均值來替代在一定程度上丟失細(xì)的大小，可以實現(xiàn)對。卷積神經(jīng)網(wǎng)絡(luò)中的過網(wǎng)絡(luò)的反向傳播過一定的初始化算法初函數(shù)達(dá)到合適的結(jié)果取出各種類型和層次

卷積得到的結(jié)果及轉(zhuǎn)換
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)會議論文 前1條

1 王鼎衡;趙廣社;李國齊;鄧?yán)?;基于張量鏈壓縮的卷積神經(jīng)網(wǎng)絡(luò)及手勢識別應(yīng)用研究[A];2018中國自動化大會(CAC2018)論文集[C];2018年

，

本文編號：2693583