隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,以及物聯(lián)網(wǎng)、人工智能發(fā)展的大趨勢下,物體檢測技術(shù)作為計(jì)算機(jī)視覺的一個(gè)重要分支,已經(jīng)廣泛地應(yīng)用到例如人臉識別、視頻監(jiān)控、車輛的輔助駕駛、移動機(jī)器人等各個(gè)領(lǐng)域中。目前,處理物體檢測的方法有很多,大體分為兩大類:基于圖像處理的檢測方法與基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)檢測方法。但是由于基于圖像處理的檢測方法準(zhǔn)確度低,無法滿足人們?nèi)找嬖鲩L的檢測精度要求,已經(jīng)逐漸被后者所替代。由于卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)算過程需要消耗大量的計(jì)算資源,同時(shí)模型存儲量較大,對于類似于移動電話、移動機(jī)器人這種不方便部署大規(guī)模計(jì)算服務(wù)器的移動端上的部署帶來巨大的挑戰(zhàn)。因此,研究基于卷積神經(jīng)網(wǎng)絡(luò)的檢測任務(wù)加速和壓縮策略,具有重要的意義。本論文主要研究移動端物體檢測技術(shù),提出一種模型壓縮、模型裁剪與模型量化的方法,旨在解決移動端計(jì)算能力不強(qiáng)與存儲能力有限的問題。本文主要在以下幾個(gè)方面進(jìn)行了研究:1.基于網(wǎng)絡(luò)結(jié)構(gòu)模型壓縮方法的研究。研究并比較幾種現(xiàn)有的基于深度學(xué)習(xí)的特征提取網(wǎng)絡(luò)架構(gòu),提出一種基于可分離式卷積的改進(jìn)模型架構(gòu),該模型架構(gòu)可以通過分組卷積的形式在保證模型精度的前提下,減小了模型的參數(shù)量和前向傳播的計(jì)算量...

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１監(jiān)控視頻（左上）輔助駕駛（右上）服務(wù)機(jī)器人（下）??深度學(xué)習(xí)（Ｄｅｅｐ?Ｌｅａｒｎｉｎｇ）的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，在研宄中得知??人類的大腦對外界事物的感知與理解都是先從大腦皮層的簡單細(xì)胞提取信息的??

?第一章緒論???第一章緒論??１．１引言??隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，以及物聯(lián)網(wǎng)、人工智能發(fā)展的大趨勢下，物體??檢測技術(shù)作為計(jì)算機(jī)視覺的一個(gè)重要分支，己經(jīng)廣泛地應(yīng)用到例如人臉識別、視??頻監(jiān)控、車輛的輔助駕駛、移動機(jī)器人等各個(gè)領(lǐng)域中。物體檢測主要解決多物體??的識別與定位問題....

圖１－４選擇性搜索（左）ＩＯＵ非極大值抑制（右）??

北京郵電大學(xué)工程碩士學(xué)位論文前對于物體檢測與優(yōu)化加速己經(jīng)有許多相當(dāng)成熟的解決方案，但移動端上，實(shí)時(shí)性和算法魯棒性仍是一個(gè)需要改進(jìn)提高的部分。??體檢測研究現(xiàn)狀??在２０１２年Ｊ．?Ｒ．?Ｒ．?Ｕｉｊｌｉｎｇｓ等人提出了基于深度學(xué)習(xí)的典型檢測算選擇性搜索（Ｓｅｌｅｃｔｉｖｅ?Ｓｅａ....

圖２－１卷枳核權(quán)值（左）抽象特征（右）??

２．２卷積神經(jīng)網(wǎng)絡(luò)特征提取原理??卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)擁有多個(gè)感知層的前饋神經(jīng)網(wǎng)絡(luò)。其在視覺領(lǐng)域的應(yīng)用??主要利用卷積核對當(dāng)前特征圖譜的部分區(qū)域特征感知的特點(diǎn)，如圖２－１所示，現(xiàn)??有一個(gè)７?７大小的卷積核，有效權(quán)值分布在一條曲線區(qū)域內(nèi)，其余為無效參數(shù)零，??此吋可將該卷積核抽象為....

圖２－３對應(yīng)位置點(diǎn)乘??９??

２．２卷積神經(jīng)網(wǎng)絡(luò)特征提取原理??卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)擁有多個(gè)感知層的前饋神經(jīng)網(wǎng)絡(luò)。其在視覺領(lǐng)域的應(yīng)用??主要利用卷積核對當(dāng)前特征圖譜的部分區(qū)域特征感知的特點(diǎn)，如圖２－１所示，現(xiàn)??有一個(gè)７?７大小的卷積核，有效權(quán)值分布在一條曲線區(qū)域內(nèi)，其余為無效參數(shù)零，??此吋可將該卷積核抽象為....

本文編號：3969863