基于深度神经网络压缩的嵌入式目标检测研究
发布时间:2020-06-02 18:27
【摘要】:深度神经网络是近年来人工智能领域一大重要研究方向。目前,深度学习中的目标检测方法通常采用卷积神经网络模型,通过矩阵计算实现卷积神经网络的核心——卷积运算。卷积神经网络模型的推理需要较多的存储和计算资源。嵌入式设备中的存储和计算资源往往有限,传统的深度学习方法无法直接应用于此类系统环境。在推理过程中,由于网络的参数已经固定,一方面不再需要冗余的参数来保证网络的收敛,另一方面网络参数的冗余性还会大幅度降低网络前向传播的速度并占用额外的存储空间。因此,如何在训练完成后结合卷积神经网络的自身特点消除网络参数的冗余性并将该方法应用于目标检测任务上,是一个亟待解决的重要问题。为了解决这个问题,在前向传播过程中需要同时减少网络的参数数量和网络推理所需要的时间。主要工作如下:首先,对于卷积神经网络的基本原理与实现进行了简单分析,并介绍了基于该技术进行的目标检测任务的相关技术实现细节,为后续工作的展开提供了理论基础。其次,总结分析了目前主流的神经网络压缩和加速的方法,并对每一类方法的基本技术原理给出了简要的介绍,分析和比较了了相关方法的优缺点,为后续的工作指明了技术方向。最后,针对目前常用的基于卷积神经网络的目标检测网络,结合相关文献提出了针对卷积层进行稀疏化通道剪枝,对目标检测网络进行压缩和加速,并在嵌入式平台Nvidia jetson TX2上进行测试。实验过程使用了开源的深度学习框架平台pytorch实现了针对网络的压缩和加速,并使用Caffe平台进行了压缩和加速后的速度测试,验证了方法的有效性。
【图文】:
图 2-1 均值滤波器示例作为一个滑动窗口作为滤波运算的结果并。均值滤波能够一定像素的平均值来替代在一定程度上丢失细的大小,可以实现对。卷积神经网络中的过网络的反向传播过一定的初始化算法初函数达到合适的结果取出各种类型和层次
卷积得到的结果及转换
【学位授予单位】:华中科技大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TP391.41;TP183
本文编号:2693583
【图文】:
图 2-1 均值滤波器示例作为一个滑动窗口作为滤波运算的结果并。均值滤波能够一定像素的平均值来替代在一定程度上丢失细的大小,可以实现对。卷积神经网络中的过网络的反向传播过一定的初始化算法初函数达到合适的结果取出各种类型和层次
卷积得到的结果及转换
【学位授予单位】:华中科技大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TP391.41;TP183
【参考文献】
相关会议论文 前1条
1 王鼎衡;赵广社;李国齐;邓磊;;基于张量链压缩的卷积神经网络及手势识别应用研究[A];2018中国自动化大会(CAC2018)论文集[C];2018年
,本文编号:2693583
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2693583.html