-
题名面向弹载图像的深度学习网络压缩方法研究
- 1
-
-
作者
高一博
杨传栋
陈栋
凌冲
-
机构
陆军炮兵防空兵学院高过载弹药制导控制与信息感知实验室
-
出处
《航空兵器》
CSCD
北大核心
2023年第1期95-103,共9页
-
文摘
针对基于深度学习目标识别算法具有网络结构复杂、参数量大、计算延迟高等特点,难以直接应用于弹载任务的问题,对网络轻量化方法进行了归纳总结。介绍了已有的压缩方法和轻量化网络的优点及各自特点,并选择各个方面优秀的算法进行比较。最后,结合深度学习在目标检测领域中的发展,对轻量化弹载图像目标识别算法进行了展望。
-
关键词
网络模型压缩
轻量化网络
弹载图像
深度学习模型
算法移植
-
Keywords
network model compression
lightweight network
missile borne image
deep learning model
algorithm transplantation
-
分类号
TJ413.6
[兵器科学与技术—火炮、自动武器与弹药工程]
-
-
题名带比例因子的卷积神经网络压缩方法
被引量：4
- 2
-
-
作者
徐喆
宋泽奇
-
机构
北京工业大学信息学部
-
出处
《计算机工程与应用》
CSCD
北大核心
2018年第12期105-109,151,共6页
-
基金
国家自然科学基金(No.61374143)
-
文摘
针对卷积神经网络在图像分类任务中,分类准确率高但实时性差的问题。提出了一种含比例因子的"知识提取"算法。此方法在已有的"知识提取"算法上,加入了衡量样本类间相近关系的比例因子,充实了网络压缩手段,使得神经网络可以更精确地进行"知识提取"。其原理是将比例因子误差值作为代价函数的一部分参与训练调节神经网络的神经元参数,进而使得神经网络的泛化能力更加趋近于具有更好分类表现能力的压缩参考网络。结果表明,含比例因子的神经网络压缩算法可以更细致地刻画训练集的类间相近关系,拥有比原"知识提取"算法更好的训练性能,进而训练出泛化性能更强、精度更高的神经网络。实现了在网络分类准确率下降尽量小的前提下,较大程度地减少神经网络的分类耗时,以达到网络压缩的目的。
-
关键词
卷积神经网络
图像分类
网络模型压缩
知识提取
实时性
-
Keywords
convolution neural network
image classification
network model compression
distilling the knowledge
real-time
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
