为解决激光雷达点云深度学习网络模型在移动端嵌入式设备部署存在的耗时耗存储问题,提出了一种激光雷达点云可学习二值量化网络模型。该模型基于特征的知识蒸馏,将全精度网络各层统计特征知识转移到二值量化网络,较大幅度地提升了量化精度;提出基于遗传算法的二值量化尺度因子恢复可学习优化算法,通过逐层搜索初始最优尺度恢复因子,并通过网络自学习大幅减少网络参数量;提出一种统计自适应池化损失最小化算法,包括量化网络自调节和全精度网络转移调节两种方式,以解决量化网络中池化信息损失较大的问题。实验结果表明,所提算法在获取高精度的同时实现了较大压缩比和加速比,可将PointNet大小压缩为原来的1/23、加速35倍以上,对其他点云主流深度网络具有良好的扩展性。

针对传统遥感图像地面目标识别系统图像获取周期长, 信息实时性差等问题, 设计星载目标快速识别系统, 用于卫星在轨快速识别, 提出改进的基于快速视网膜关键点(FREAK)的特征匹配识别算法, 解决遥感图像数据量大、背景复杂的问题。介绍了星载目标快速识别系统的工作原理, 提出简化的FREAK特征提取模型, 将原有算法的七层模型减少为四层, 用于快速提取出遥感图像中目标特征; 利用二进制量化空间将高维特征数据量化为二维数据, 提高算法的准确度; 最后通过匹配, 快速识别出遥感目标。实验结果表明, 识别算法的准确度平均提高2.3%, 识别用时缩短约27.8%, 满足遥感卫星在轨目标快速识别的要求。