1 三峡大学,湖北省建筑质量检测装备工程技术研究中心
2 三峡大学,计算机与信息学院, 湖北 宜昌 443000
精准的舰船目标检测技术能够提升**装备的全方位感知能力。针对复杂环境下SAR舰船目标检测虚警、漏警问题严重, 提出一种基于YOLOv5的轻量化SAR图像舰船目标检测算法3S-YOLO。3S-YOLO首先对网络结构进行重构, 调节感受野与多尺度融合关系, 实现特征提取网络和特征融合网络轻量化处理; 然后, 对网络进行剪枝, 通过基于几何中值的剪枝算法对网络进行压缩, 加快推理速度; 最后, 使用可变焦损失函数对网络进行训练, 使感知分类系数回归。结果表明, 算法经过优化后, 精度最高可提高至99.1%; 经过剪枝后, 模型体积大幅下降, 可压缩至190 kiB, 下降98.6%; 算法推理速度提升4倍, 推理时间缩短至3 ms以下。相较于当前主流算法, 3S-YOLO在各方面均取得了不错的成绩, 满足SAR图像实时舰船目标检测。
目标检测 模型剪枝 可变焦损失函数 target detection SAR SAR model pruning YOLOv5 YOLOv5 FPGM FPGM Varifocal Loss
为实现渔业养殖中的精准投喂，在传统检测算法的基础上，提出了一种基于鱼群纹理、形状和密集度特征的轻量级鱼类摄食行为实时检测算法F-YOLO。将YOLOv4算法原来的主干特征提取网络CSPDarkNet53替换为MobileNetV3，以少量检测精度下降的代价极大提升网络的实时检测性能，提升对鱼类小目标检测性能；对网络结构卷积层进行通道剪枝和知识蒸馏处理压缩模型，减少浮点运算次数（FLOPs）和计算量；使用优化K-means聚类结合添加全局非极大值抑制的DIoU损失函数确定锚框，解决鱼体相互遮挡导致锚框缺失问题。实验结果表明，所提F-YOLO算法的模型大小仅为13.7 MB，每张图片平均识别时间达到50 ms，精度达99.13%，FLOPs仅为1.64×1010，在嵌入式设备中的检测速度可以达33 frame/s，可为实际渔业养殖提供理论指导。
图像处理 YOLOv4 通道剪枝 知识蒸馏 实时检测 激光与光电子学进展
2023, 60(6): 0610009
1 重庆邮电大学通信与信息工程学院，重庆 400065
2 重庆邮电大学移动通信技术重庆市重点实验室，重庆 400065
3 重庆邮电大学国际学院，重庆 400065
由于人脸表情特有的微妙性和复杂性，对全局面部进行研究时无法突出表情特性。为了增强表情识别在自然环境下的鲁棒性并且优化模型参数，提出一种基于多区域融合的轻量级人脸表情识别方法，融合局部细节特征和全局整体特征，实现粗细粒度结合，增强模型对表情细微变化的判别能力。首先，通过一个分支从人脸子区域提取局部特征，以眼部和嘴部作为细节区域输入，描述面部细节。其次，通过另一个分支从人脸全局自适应地获取面部整体特征，以关键点生成掩模，辅助调节面部注意力图。注意力图作用于全局特征，突出未遮挡部位权重，描述整体高级语义信息。并且，采用剪枝算法对整体模型进行轻量级优化，使用更少的运行内存和计算操作，得到更紧凑的网络。最后，在公开数据集RAF-DB和AffectNet上，所提方法对表情的识别精度分别达85.39%和58.81%。实验结果表明：所提方法的识别精度高于其他先进方法，并显著减少了参数量，有效性和先进性得到证明。
图像处理 人脸表情识别 注意力图 轻量级网络 剪枝算法 多区域融合 激光与光电子学进展
2023, 60(6): 0610006
1 中国科学院半导体研究所, 北京 100083
2 威富集团形象认知计算联合实验室, 北京 102200
3 深圳市威富世界有限公司, 广东 深圳 518102
4 新疆大学软件学院, 新疆 乌鲁木齐 830091
随着实例分割技术在各种场景中的应用越来越广泛, 运行速度和硬件资源占用是该技术在应用中需要考虑的 2个重要因素。最近提出的基于图像原型掩码系数的实例分割网络 (YOLACT)在运行速度方面做得很好, 但是需要设置较大的特征提取网络才能保证分割精确度, 这就导致了模型占用的硬件资源较多, 同时运行速度也受到了限制。在 YOLACT的基础上, 提出一种新的模型, 对实例分割的特征提取网络进行了优化, 先使用基于批量归一化层放缩因子的通道剪枝方法对 YOLACT网络进行压缩, 然后对压缩后的卷积层和批量归一化层进行融合, 最后, 在 COCO val2017上对本文提出的方法进行了评估。实验结果表明, 相比原始的 YOLACT网络, 该方法的模型文件大小可以减少 56.9%, 运行速度提升 28.6%, 运行时显存占用也降低了 13.6%, 有效地减少了硬件资源占用, 并且提升了运行速度。
实例分割 模型压缩 通道剪枝 运行效率 instance-segmentation model-compression channel-pruning running efficiency 太赫兹科学与电子信息学报
2023, 21(1): 95
1 郑州大学,a.计算机与人工智能学院
2 郑州大学,b.信息工程学院
3 郑州大学,c.电气工程学院, 郑州 450000
针对尺度多样化且目标密集的飞机遥感影像存在检测准确度较低和模型复杂不易部署的问题, 提出一种基于改进YOLOv4的遥感飞机目标检测模型。采用K-means++算法对目标样本进行锚定框优化, 提高先验框与目标异物的尺寸匹配度, 减少漏检率; 在损失函数中引入focal loss以降低简单负样本在训练过程中所占权重; 融合卷积核剪枝与层间剪枝对卷积核和批量归一化BN层进行稀疏训练, 简化网络结构并降低参数量。经实验, 改进后的YOLOv4异物检测算法在UCAS-AOD和RSOD公共遥感数据集上mAP达到92.23%, 检测速度提高至130.24 帧/s, 有利于实际工业场景中遥感影像飞机目标的快速检测。
遥感影像 飞机检测 剪枝算法 remote sensing image aircraft detection YOLOv4 YOLOv4 focal loss focal loss pruning algorithm
介绍了一种基于剪枝神经网络的后台校准算法, 能够对高精度单通道SAR ADC的电容失配、偏移、增益等多个非理想因素同时进行校准, 有效提高SAR ADC的精度。本算法不仅可以达到全连接神经网络校准效果, 而且同时对贡献小的权重进行剔除, 降低了校准电路的资源消耗, 加快了神经网络校准算法速度。仿真结果表明, 信号频率接近奈奎斯特频率的情况下, 对16 bit 5 MS/s的 SAR ADC进行校准, 校准后ADC的有效位数从74 bit提高到156 bit, 无杂散动态范围从46.8 dB提高到126.2 dB。
逐次逼近型模数转换器 剪枝神经网络 校准 SAR ADC pruned neural network calibration
1 海军大连舰艇学院 军事海洋与测绘系，辽宁 大连 116018
2 海军大连舰艇学院 海洋测绘工程军队重点实验室，辽宁 大连 116018
3 91001部队，北京 100071
针对当前无输入参数的四叉树去噪方法在强噪声背景下对噪声光子误识率较高的缺陷，提出了一种无输入参数的适应强噪声背景的ICESat-2点云去噪方法。首先，以剪枝四叉树的层值表征光子密度，避免强噪声背景下局部稀疏、相距较近的噪声光子被四叉树分隔层次较多而被误表征为密度过大；然后，自适应求取信号光子的密度阈值，完成噪声光子的一级去除；最后，通过箱线图进一步去除少量未能被剪枝四叉树识别的局部较密的离群噪声光子，实现去噪过程。选择美国北达科他州和加利福尼亚州两个研究区域，对强噪声背景下的ICESat-2点云开展去噪实验验证。实验结果表明：与四叉树去噪方法相比，本文所提方法明显具有更优的去噪性能；本文所提方法去噪后所得信号光子拟合的冠顶和地表曲线与分辨率为1 m的机载激光雷达高程数据产品剖面高程曲线基本一致。
ICESat-2 无输入参数 强噪声背景 去噪 四叉树 剪枝四叉树 箱线图 ICESat-2 Parameter-free Strong noise Denoising Quadtree Pruned quadtree Box-plot 光子学报
2022, 51(11): 1110002
天津大学电气自动化与信息工程学院，天津 300072
模型压缩可以有效地促进卷积神经网络在资源受限设备上的部署。作为一个研究热点，滤波器剪枝已经受到了从学术界到工业界的广泛关注。滤波器剪枝的本质是对重要滤波器进行选择和保留。然而，现有的研究主要集中在静态滤波器和局部滤波器的选择上，压缩后的模型仍然存在一定的冗余。基于此，提出了一种自适应动态滤波器剪枝方法，该方法通过引入一个激活权值生成模块来生成每个滤波器的激活值。将模块嵌入各种经典网络中，来动态评估卷积层中所有滤波器的重要性，并自适应地选择能提取更丰富信息的滤波器来重构剪枝后的网络。在CIFAR-10和AUC数据集上使用不同卷积神经网络进行了实验，所提方法在CIFAR-10数据集上与目前几种主流的剪枝方法相比具有更优越的性能。在AUC数据集上进行剪枝前后压缩70%左右计算量的情况下，准确率下降不超过0.3个百分点。在不同网络上的实验证明了该方法在不同模型上的泛化能力。
机器视觉 深度学习 卷积神经网络 滤波器剪枝 分类模型 模型压缩 激光与光电子学进展
2022, 59(24): 2415003
针对红外图像颜色、纹理等信息不够丰富，导致检测精度相较于可见光图像低；夜间红外行人目标检测模型参数量大、依赖高性能GPU资源，导致检测速度慢等问题，提出一种融合行人目标精细尺度嵌入的多检测层、轻量化实时检测模型。首先为了获取更精确的红外行人位置特征，在原始Yolov4-tiny结构上设计了64×64精细尺度检测层并增加残差结构加深主干网络，以融合红外行人的位置特征；其次针对红外行人目标宽高比相对固定的特点，应用K-means++聚类分析出适用于红外行人检测的先验框预置参数；最后为了减少模型参数，通过通批量归一化层道剪枝实现模型轻量化，同时利用知识蒸馏算法完成TIPRD的微量调控。实验结果表明，轻量化红外行人实时检测模型检测速度达到了88.7 帧/s，平均检测精度达到89.2%，模型大小为4 MB，相较于Yolov4-tiny平均检测精度提升了8.6%，模型大小缩小了19.5 MB，相较于Yolov4缩小了264 MB。在Jetson Nano移动开发平台部署该模型验证了实际工程应用的有效性，对开发汽车辅助驾驶系统以降低夜间交通事故发生率具有重要意义。
红外检测 深度学习 多检测层 模型剪枝 知识蒸馏 Infrared detection Deep learning Multiple detection layers Model pruning Knowledge distillation
1 中国科学院微小卫星创新研究院，上海 201203
2 中国科学院大学，北京 100049
针对深度学习目标检测算法由于模型体积过大、参数量过多而在星上部署困难的问题，在YOLOv5检测模型的基础上，提出了一种轻量化的光学遥感影像目标检测算法——LW-YOLO。首先，针对YOLOv5网络中的特征信息冗余所带来的计算开销，引入轻量化Ghost模块替换网络中的普通卷积以减少参数量；接着，设计了一种空间和通道融合的注意力模块Fusion Attention（FA），并在此基础上重构了网络的瓶颈层FABottleneck，进一步减少参数量，并提高算法对于光学遥感影像目标的定位能力；最后，提出了一种稀疏参数自适应的网络剪枝方法对网络进行剪枝，进一步压缩模型大小。在DOTA数据集上的实验表明，LW-YOLO算法相比于YOLOv5s参数量下降了64.7%，模型大小下降了62.7%，推理时间降低了3.7%，同时平均精度均值仅仅下降了6.4%。该算法以较小的精度损失为代价实现了网络模型的轻量化，为星上光学影像在轨目标检测提供了理论基础。
图像处理 光学遥感影像 YOLOv5 轻量化模型 注意力机制 FABottleneck 网络剪枝 激光与光电子学进展
2022, 59(22): 2210004
