尊敬的各位读者:
根据当前疫情防控要求,我馆部分原文传递服务可能会有延期,无法在24小时内提供,给您带来的不便敬请谅解!
国家工程技术图书馆
2022年11月29日
摘要: 随着互联网的快速发展,多媒体数据呈现爆炸式增长,给相关智能分析技术带来巨大的挑战,尤其在计算效率方面。目标检测作为计算机视觉的基础任务之一,也是多媒体智能分析中的常用技术。近年来,深度学习技术的引入使目标检测性能得到明显提升,然而... 展开 随着互联网的快速发展,多媒体数据呈现爆炸式增长,给相关智能分析技术带来巨大的挑战,尤其在计算效率方面。目标检测作为计算机视觉的基础任务之一,也是多媒体智能分析中的常用技术。近年来,深度学习技术的引入使目标检测性能得到明显提升,然而现有目标检测器往往因其庞大的计算量消耗,无法在计算资源有限的设备上充分发挥作用,这对智能产业落地造成了巨大的阻碍。另一方面,针对目标检测轻量化的模型压缩技术尚不成熟,仍有不少改进空间。 为解决上述问题,提出两种针对目标检测的模型压缩方法:(1)针对背景信息冗余,提出高效的选择性卷积网络(SCN),忽略背景区域特征计算,仅仅选择性地计算有意义的信息。其基本思想是对无关紧要的背景区域信息进行剪枝,有效地降低特征提取中的计算消耗,并且极大地减少压缩后的精度损失。针对此框架,精心设计了一个选择模块来引导网络将计算集中在前景区域,并提出选择卷积代替普通卷积完成高效计算。在没有额外引入分割数据集的情况下,探究了直接监督和间接监督两种方式,充分训练该模型。(2)针对当前蒸馏方法所忽视的多层次特征,提出手把手指导的蒸馏(HGD)框架,提炼网络中各阶段特征的潜在知识,对学生网络施加更全面的蒸馏约束。围绕提出的蒸馏框架,探索了一系列优化策略,包括语义一致性的特征匹配策略、改进的模仿损失函数、有侧重点的微观和宏观权重生成以及重加权的优化算法,这些策略相辅相成,使蒸馏最终达到更好的效果。 为了验证有效性,在PASCALVOC和MSCOCO两个经典数据集上进行了大量实验。实验结果表明,选择性卷积网络可以降低SSD和Pelee检测器约1/5到1/3的计算量,精度下降在2%以内。例如在VOC上减少SSD约20%的计算量且精度仅下降0.2%,减少Pelee轻量级检测器33%计算量,精度仅下降1.2%。这些实验验证了该方法的有效性,并且可以进一步压缩轻量级检测器。对于提出的手把手蒸馏方法,进行了大量的对比和消融实验,在相同压缩程度下表现出更好的效果,例如在VOC上压缩精度恢复超过当前最先进方法2.4%,弥补了学生网络与教师网络63%的精度差距。同时,在不同模型和数据集上的泛化实验进一步验证了鲁棒性。 收起
系统维护,暂停服务。
根据《著作权法》“合理使用”原则,您当前的文献传递请求已超限。
如您有科学或教学任务亟需,需我馆提供文献传递服务,可由单位单位签署《图书馆馆际互借协议》说明情况,我馆将根据馆际互借的原则,为您提供更优质的服务。
《图书馆馆际互借协议》扫描件请发送至service@istic.ac.cn邮箱,《图书馆馆际互借协议》模板详见附件。
根据《著作权法》规定, NETL仅提供少量文献资源原文复制件,用户在使用过程中须遵循“合理使用”原则。
您当日的文献传递请求已超限。