面向计算机视觉的轻量级卷积神经网络模型优化研究

发布时间：2022-12-24 08:35

　　近年来,以深度卷积神经网络为代表的深度学习模型极大的推动了计算机视觉研究的发展。然而,随着网络模型准确率的提升,这些网络模型的规模和计算开销也越来越大。这使得这些深度神经网络模型在一些计算资源有限的移动端应用场景中的部署难以实现。为此,研究者们提出了轻量级卷积神经网络模型,使得在移动应用场景下部署性能较高的实时CNN模型成为了可能。但是,轻量级神经网络模型的研究仍面临着诸多问题与挑战。首先,轻量级网络模型设计空间较小,特征表示能力不足。其次,轻量级网络模型信息容量较小,提取到的特征信息较少。这些问题导致其精度与大型网络模型有较大的差距。另外,在复杂计算机视觉任务中,轻量级网络模型较弱的特征表示能力导致其精度难以满足实际应用的需求。本文针对上述问题进行了研究,主要工作如下:第一,本文对轻量级网络模型中常用的“稀疏连接”卷积操作进行了分析,并提出了一种轻量级卷积神经网络模型MENet。首先,本文设计了 Merging操作和Evolution操作以促进通道分组间的特征融合。然后,利用这两种操作,本文构建了一种轻量级的基础网络模块,称为ME模块。最后,以ME模块为基础,本文设计了 MENet网... 

【文章页数】：102 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
        1.1.1 深度学习与计算机视觉
        1.1.2 移动应用场景的实时性要求
        1.1.3 深度神经网络模型的压缩与加速
        1.1.4 轻量级卷积神经网络模型
    1.2 问题与挑战
        1.2.1 轻量级卷积神经网络模型表示能力不足的挑战
        1.2.2 轻量级卷积神经网络模型信息容量不足的挑战
        1.2.3 轻量级目标检测模型检测精度不足的挑战
    1.3 本文的主要研究工作
        1.3.1 面向移动视觉应用的MENet网络模型
        1.3.2 基于快速下采样策略的FD-MobileNet网络模型
        1.3.3 Mobile Light-Head R-CNN轻量级目标检测模型
    1.4 论文结构
第二章 相关研究
    2.1 卷积与深度卷积神经网络模型
        2.1.1 卷积层及其变种
        2.1.2 深度卷积神经网络模型
        2.1.3 卷积神经网络模型的计算开销
    2.2 基于CNN的目标检测模型
        2.2.1 基于区域的两阶段目标检测模型
        2.2.2 单一流程的一阶段目标检测模型
        2.2.3 目标检测模型中的特征提取网络
    2.3 轻量级卷积神经网络模型
        2.3.1 面向图像分类的轻量级网络模型
        2.3.2 基于CNN的实时目标检测模型
    2.4 数据集
    2.5 本章小结
第三章 面向移动视觉应用的MENet网络模型
    3.1 引言
    3.2 现有的轻量级神经网络模型分析
    3.3 面向移动视觉应用的MENet网络模型
        3.3.1 Merging操作和Evolution操作设计
        3.3.2 Merging-and-Evolution基础网络模块设计
        3.3.3 MENet网络模型设计
        3.3.4 使用深度卷积的融合分支模型结构
    3.4 实验结果及分析
        3.4.1 CIFAR和SVHN数据集的实验结果分析
        3.4.2 ILSVRC 2012数据集的实验结果分析
        3.4.3 不同模型选择对模型精度的影响
        3.4.4 PASCAL VOC数据集的实验结果分析
        3.4.5 实际预测时间分析
    3.5 本章小结
第四章 基于快速下采样策略的FD-MobileNet网络模型
    4.1 引言
    4.2 现有的轻量级神经网络模型分析
    4.3 基于快速下采样策略的FD-MobileNet网络模型
        4.3.1 快速下采样策略
        4.3.2 FD-MobileNet网络模型设计
    4.4 实验结果及分析
        4.4.1 ILSVRC 2012数据集的实验结果分析
        4.4.2 PASCAL VOC数据集的实验结果分析
        4.4.3 实际预测时间分析
    4.5 本章小结
第五章 Mobile Light-Head R-CNN轻量级目标检测模型
    5.1 引言
    5.2 现有的轻量级目标检测网络模型分析
    5.3 Mobile Light-Head R-CNN轻量级目标检测模型
        5.3.1 特征提取网络设计
        5.3.2 上下文增强模块设计
        5.3.3 候选区域生成网络设计
        5.3.4 空间注意力模块设计
        5.3.5 检测器头部设计
    5.4 实验结果及分析
        5.4.1 实现细节
        5.4.2 PASCAL VOC数据集的实验结果分析
        5.4.3 MS COCO数据集的实验结果分析
        5.4.4 分解实验结果分析
        5.4.5 实际预测速度
    5.5 本章小结
第六章 结束语
    6.1 工作总结
    6.2 工作展望
致谢
参考文献
作者在学期间取得的学术成果



本文编号：3725865