發(fā)布時間：2024-05-11 11:01

　　隨著計算機技術(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)作為計算機視覺的一個重要分支,已經(jīng)廣泛地應用到例如人臉識別、視頻監(jiān)控、車輛的輔助駕駛、移動機器人等各個領域中。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)絡的深度學習檢測方法。但是由于基于圖像處理的檢測方法準確度低,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)絡的運算過程需要消耗大量的計算資源,同時模型存儲量較大,對于類似于移動電話、移動機器人這種不方便部署大規(guī)模計算服務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)絡的檢測任務加速和壓縮策略,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,旨在解決移動端計算能力不強與存儲能力有限的問題。本文主要在以下幾個方面進行了研究:1.基于網(wǎng)絡結(jié)構(gòu)模型壓縮方法的研究。研究并比較幾種現(xiàn)有的基于深度學習的特征提取網(wǎng)絡架構(gòu),提出一種基于可分離式卷積的改進模型架構(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)量和前向傳播的計算量...

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

圖１－１監(jiān)控視頻（左上）輔助駕駛（右上）服務機器人（下）??深度學習（Ｄｅｅｐ?Ｌｅａｒｎｉｎｇ）的概念源于人工神經(jīng)網(wǎng)絡的研究，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胞提取信息的??

?第一章緒論???第一章緒論??１．１引言??隨著計算機技術(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)作為計算機視覺的一個重要分支，己經(jīng)廣泛地應用到例如人臉識別、視??頻監(jiān)控、車輛的輔助駕駛、移動機器人等各個領域中。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）??

北京郵電大學工程碩士學位論文前對于物體檢測與優(yōu)化加速己經(jīng)有許多相當成熟的解決方案，但移動端上，實時性和算法魯棒性仍是一個需要改進提高的部分。??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習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)絡特征提取原理??卷積神經(jīng)網(wǎng)絡是一個擁有多個感知層的前饋神經(jīng)網(wǎng)絡。其在視覺領域的應用??主要利用卷積核對當前特征圖譜的部分區(qū)域特征感知的特點，如圖２－１所示，現(xiàn)??有一個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對應位置點乘??９??

２．２卷積神經(jīng)網(wǎng)絡特征提取原理??卷積神經(jīng)網(wǎng)絡是一個擁有多個感知層的前饋神經(jīng)網(wǎng)絡。其在視覺領域的應用??主要利用卷積核對當前特征圖譜的部分區(qū)域特征感知的特點，如圖２－１所示，現(xiàn)??有一個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