CN112132024B - 水下目标识别网络优化方法及装置 - Google Patents
水下目标识别网络优化方法及装置 Download PDFInfo
- Publication number
- CN112132024B CN112132024B CN202011005421.5A CN202011005421A CN112132024B CN 112132024 B CN112132024 B CN 112132024B CN 202011005421 A CN202011005421 A CN 202011005421A CN 112132024 B CN112132024 B CN 112132024B
- Authority
- CN
- China
- Prior art keywords
- longicorn
- value
- network
- network weight
- target recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 43
- 241001481710 Cerambycidae Species 0.000 claims description 87
- 238000001914 filtration Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000013139 quantization Methods 0.000 claims description 19
- 241000254173 Coleoptera Species 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 13
- 238000007667 floating Methods 0.000 description 10
- 238000011176 pooling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000012434 pretzels Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种水下目标识别网络优化方法及装置,所述方法包括:将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;对网络权值参数进行聚类,获取网络权值参数的聚类中心值;根据定点数法量化所述聚类中心值,并将量化后的聚类中心值存储为字码本;基于字码本对水下目标识别网络进行迭代训练直至水下目标识别网络收敛。所述装置用于执行上述方法。本发明提供的水下目标识别网络优化方法及装置,通过减少网络权值参数数量以及存储和计算代价,降低了设备的功耗要求,结合反向传播算法实现了对量化网络权值参数的更新,提高了识别网络的准确度。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种水下目标识别网络优化方法及装置。
背景技术
由于水下成像环境的复杂性,比如光照不均匀、能见度低、水下干扰物多等,传统的水下图像识别网络无法得到很好地效果。随着深度学习的发展,深度神经网络尤其是深度卷积神经网络,在水下图像识别领域取得了广泛应用。
现有的基于深度学习的水下目标识别网络中参数冗余,随着水下目标识别网络准确程度不断提升的同时,水下目标识别网络模型的复杂度也在不断增加,参数数量庞大、存储和计算代价高,对设备的功耗要求较高。
目前,尚难有一种有效方法,能够在水下目标识别网络准确程度不断提升的同时,减少参数数量、参数存储和计算代价,进而降低设备的功耗要求。
发明内容
鉴于现有技术中存在的上述问题,本发明实施例提供的一种水下目标识别网络优化方法及装置,能够在水下目标识别网络准确程度不断提升的同时,减少参数数量、参数存储和计算代价,进而降低设备的功耗要求。
第一方面,本发明实施例提供的水下目标识别网络优化方法,包括:
将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值;
根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本;
基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛。
进一步地,所述将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,之前,包括:
对所述水下视频图像数据进行去噪处理以及图像增强处理;
其中,所述去噪处理,包括:采用中值滤波算法、均值滤波算法以及频率滤波算法中的一种或多种;
所述图像增强处理,包括:采用暗通道法、直方图均衡算法、伽马变换以及对象算法中的一种或多种。
进一步地,所述对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值,包括:
根据天牛须优化K-均值聚类算法将所述网络权值参数划分为K个簇,获取所述K个簇的聚类中心;
将所述K个簇的聚类中心作为天牛质心;
将所述网络权值参数按照天牛左须进行划分,获取天牛左须气味值;
将所述网络权值参数按照天牛右须进行划分,获取天牛右须气味值;
当满足预设条件时,迭代更新所述天牛质心,将迭代更新后的所述天牛质心作为所述网络权值参数的聚类中心值;
所述预设条件,包括:
第一预设条件:所述天牛左须气味值小于所述天牛右须气味值,且迭代次数不大于第一预设值;
第二预设条件:所述天牛左须气味值大于所述天牛右须气味值,且迭代次数不大于第一预设值。
进一步地,当满足所述第一预设条件时,所述天牛质心向左须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
当满足第二预设条件时,所述天牛质心向右须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
其中,所述步长step由式step=eta*step计算获取,eta取常数。
进一步地,所述根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本,包括:
根据所述聚类中心值的大小和精度获取所述定点数法的定标值;
根据所述定标值获取所述定点数法的量化关系;
根据所述量化关系量化所述聚类中心值,并将所述量化后的聚类中心值存储为字码本。
进一步地,所述基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛,包括:
根据所述字码本,获取量化网络权值参数;
将交叉熵函数作为代价函数对所述量化网络权值参数使用反向传播算法获取梯度;
根据梯度对所述网络权值参数进行更新,并基于更新后的所述网络权值参数对水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
进一步地,所述水下目标识别网络优化方法,还包括:
当满足预设判定条件时,判定所述水下目标识别网络收敛,并停止对所述网络权值参数进行更新;
其中所述预设判定条件,包括:
迭代次数大于第二预设值;或
所述代价函数的结果小于第三预设值。
第二方面,本发明实施例还提供一种水下目标识别网络优化装置,包括:数据获取模块、第一网络优化模块以及第二网络优化模块;
所述数据获取模块,用于将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
所述第一网络优化模块,用于对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值;
还用于:根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本;
所述第二网络优化模块,用于基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述水下目标识别网络优化方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述水下目标识别网络优化方法的步骤。
本发明实施例提供的一种水下目标识别网络优化方法,提供的一种水下目标识别网络优化方法及装置,通过对所述网络权值参数进行聚类,减少网络权值参数数量,并基于定点数法对聚类后的网络权值参数进行量化,获取量化后的字码本并存储,进一步减少网络权值参数的存储和计算代价,进而降低了设备的功耗要求,基于字码本对水下目标识别网络进行迭代训练直至水下目标识别网络收敛,提高了识别网络的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种水下目标识别网络优化方法的流程示意图;
图2为本发明实施例提供的一种水下目标识别网络优化装置的结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
近年来,随着5G和物联网技术的发展,水下目标识别算法对数据处理的时延要求越来越高,在边缘端将复杂模型落地的重要性越发凸出,在资源有限的边缘端实时的处理水下视频图像数据的要求更加迫切。在使用深度神经网络模型来解决水下视频图像识别的问题中,密集型计算的水下目标识别算法对硬件的要求很高,但对于资源有限的边缘端来说,想要在边缘部署高密度计算和低延迟的水下目标识网络模型,尚且难以实现。
本发明实施例提出一种水下目标识别网络优化方法方法,将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数,基于天牛须优化K-均值(K-means)聚类算法,对网络权值参数进行聚类,减少模型参数数量。再结合定点数法技术,进一步减少参数的存储和计算代价。常用的k-means聚类算法依赖初始值的选取且容易收敛到局部最小值,而天牛须优化k-means++聚类算法在改进的k-means的基础上,结合天牛须优化算法的主要思想,解决了依赖初始值和局部收敛的问题。
图1为本发明实施例提供的一种水下目标识别网络优化方法的流程示意图,如图1所示,所述方法包括:
S1、将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
S2、对网络权值参数进行聚类,获取网络权值参数的聚类中心值;
S3、根据定点数法量化所述聚类中心值,并将量化后的聚类中心值存储为字码本;
S4、基于字码本对所述水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
需要说明的是,上述方法的执行主体可以是计算机设备。
本发明实施例提供的一种水下目标识别网络优化方法,通过对所述网络权值参数进行聚类,减少网络权值参数数量,并基于定点数法对聚类后的网络权值参数进行量化,获取量化后的字码本并存储,进一步减少网络权值参数的存储和计算代价,进而降低了设备的功耗要求,基于字码本对水下目标识别网络进行迭代训练直至水下目标识别网络收敛,提高了识别网络的准确度。
进一步地,在一个实施例中,步骤S1之前包括:
对所述水下视频图像数据进行去噪处理以及图像增强处理;
其中,去噪处理,包括:
采用中值滤波算法、均值滤波算法以及频率滤波算法中的一种或多种;
具体地,与其他光学图像相比,水下视频图像具有更高的椒盐噪声,使用基于空间域的中值滤波进行图像去噪处理。设置一个滑动窗口沿水下视频图像进行移动,位于窗口中的水下视频图像中心位置像素灰度用窗口内所有像素灰度中值来代替。设{pij,(i,j)∈I2}表示水下视频图像各点的灰度值,滤波窗口为A的二维中值滤波为:
mij=MA{pij}=Med{p(i+r)(j+s),(r,s)∈A,(i,j)∈I2}
其中pij为窗口中心A的原像素值;mij为中值滤波后,A滤波窗口的中心位置像素,r为滤波窗口A的行坐标,s为滤波窗口A的列坐标;Med为取中值函数;I2为原水下视频图像像素点集,i为原图像像素矩阵的行坐标,j为原图像像素矩阵的列坐标。
同样的,可以使用均值滤波算法和频率滤波算法对水下视频图像进行去噪处理。
进一步地,图像增强处理可以包括:
采用暗通道法、直方图均衡算法、伽马变换以及对象算法中的一种或多种;
具体地,由于光的散射、湍流、气泡和浮游生物等因素,在拍摄水下视频图像时,得到的水下视频图像通常是以蓝绿色为主、对比度低以及可见度低的图像,因此使用暗通道法直方图均衡算法、伽马变换以及对象算法中的一种或多种对图像进行增强处理。
进一步地,在一个实施例中,基于VGGNET思想预先建立水下目标识别网络;
具体地,预先建立的水下目标识别网络采用:64个3*3滤波器的ReLu卷积层,64个3*3滤波器的ReLu卷积层和池化层,128个3*3滤波器的ReLu卷积层,128个3*3滤波器的ReLu卷积层和池化层,256个3*3滤波器的ReLu卷积层,256个3*3滤波器的ReLu卷积层,256个3*3滤波器的ReLu卷积层,256个3*3滤波器的ReLu卷积层和池化层,512个3*3滤波器的ReLu卷积层,512个3*3滤波器的ReLu卷积层,512个3*3滤波器的ReLu卷积层,512个3*3滤波器的ReLu卷积层和池化层,2048个神经元的ReLu全连接层,2048个神经元的ReLu全连接层,n个神经元的softmax输出层。其中,n是待识别水下视频图像中种类的个数。
本发明实施例提供的一种水下目标识别网络优化方法,通过对水下视频图像进行预处理,通过进行去噪处理,抑制了水下视频图像椒盐噪声的同时,保证了图像的清晰度,通过对水下视频图像进行增强处理,增强了水下视频图像的对比度以及可见度,扩大了水下视频图像中不同种类特征之间的特征,抑制不感兴趣的特征,加强了水下视频图像的判读与识别,同时将预处理后的水下视频图像输入到基于VGGNET思想预先建立水下目标识别网络中进行训练,通过不断加深的网络结构,提高了水下目标识别网络的性能。
进一步地,在一个实施例中,步骤S2可以具体包括:
S21、根据天牛须优化K-均值聚类算法将所述网络权值参数划分为K个簇,获取K个簇的聚类中心;
S22、将K个簇的聚类中心作为天牛质心;
具体地,根据获取的水下目标识别网络网络权值参数的取值范围,设置K-means超参数K,即聚类的中心点个数,设置天牛两须间距离d0,初始化聚类中心获得天牛质心x;具体地:
步骤1、从输入的网络权值参数随机选择一个点作为第一个聚类中心u1;
步骤2、对于网络权值参数中的每一个点zi,计算其与已选择的聚类中心中最近聚类中心的距离D(Z):
其中,μi代表聚类中心,j=1,2...K;
步骤3、选择D(Z)较大的点作为新的聚类中心;
步骤4、重复步骤2和步骤3直至选择出K个聚类中心,并将K个聚类中心值作为天牛质心x,其中,x为K维向量。
S23、将网络权值参数按照天牛左须进行划分,获取天牛左须气味值;
将网络权值参数按照天牛右须进行划分,获取天牛右须气味值;
具体地,随机产生一个右须指向左须的K维向量:
dir=random(K,1),
对其进行归一化处理:
获取天牛左须坐标:
天牛右须坐标:
且xl-xr=d0*dir
将输入的网络权值参数根据天牛左须划分一次,根据损失函数:计算获取天牛左须气味值fleft;
其中,Ci表示第i个簇,ui为簇Ci的聚类中心。同理,计算获取天牛右须气味值fright。
S24、当满足预设条件时,迭代更新天牛质心,将迭代更新后的天牛质心作为网络权值参数的聚类中心值;
其中,预设条件可以包括:
第一预设条件:天牛左须气味值小于天牛右须气味值,且迭代次数不大于第一预设值;
第二预设条件:天牛左须气味值大于天牛右须气味值,且迭代次数不大于第一预设值。
进一步地,在一个实施例中,步骤S24可以具体包括:
S241、当满足所述第一预设条件时,所述天牛质心向左须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
具体地,若判断天牛左须气味值fleft小于天牛右须气味值fright且迭代次数不大于第一预设值,则天牛向着左须方向行进步长step,此时,天牛质心更新为:x=x+step*normal(xl-xr);其中,所述步长step由式step=eta*step计算获取,eta取常数,通常设置0<eta<1。
S242、当满足第二预设条件时,所述天牛质心向右须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
具体地,若判断天牛左须气味值fleft大于天牛右须气味值fright且迭代次数不大于第一预设值,则天牛向着右须方向行进步长step,此时,天牛质心更新为:x=x-step*normal(xl-xr);其中,所述步长step由式step=eta*step计算获取,eta取常数,通常设置0<eta<1。
本发明实施例提供的一种水下目标识别网络优化方法,通过天牛须优化k-means聚类算法,对所述网络权值参数进行聚类,减少网络权值参数数量,在改进的k-means聚类算法的基础上,结合天牛须优化算法的主要思想,解决了常用的k-means聚类方法依赖初始值的选取且容易收敛到局部最小值的问题。
进一步地,在一个实施例中,步骤S3可以具体包括:
S31、根据聚类中心值的大小和精度获取定点数法的定标值;
具体地,根据聚类中心值的大小和精度确定8位或16为定点数法中定标值Qd的大小,且0≤d≤15:
Q15,-1≤t≤0.9999695
Q14,-2≤t≤1.9999390
Q13,-3≤t≤3.9998779
......
Q1,-16384≤t≤16383.5
Q0,-32768≤t≤32767
S32、根据定标值获取定点数法的量化关系;
具体地,设定点数为P,浮点数为t,根据定标值Qd获取定点数与浮点数之间的量化关系:
浮点数转定点数的量化关系:
定点数转浮点数的量化关系:
例如,浮点数t=0.5,定标值Qd中d=15,根据浮点数转定点数的量化关系获取其定点数为P=0.5*215=16384,若量化后结果包含小数,则进行向下取整。反之,一个用Q15表示的定点数16384,根据定点数转浮点数的量化关系获取其浮点数为t=16384*2-15=0.5。
S33、根据量化关系量化聚类中心值,并将量化后的聚类中心值存储为字码本。
进一步地,在一个实施例中,定义定点数法运算操作包括:加减法运算、乘法运算和除法运算;若采用定点数法的运算结果产生溢出时,对溢出数据使用最大值表示。
具体地,假设定点数P1的Q值为Qx,P2的Q值为Qy,P3的Q值为Qz,根据定点数法加减法运算:P3=P1±P2可表示为:
根据定点数法乘法运算:P3=P1*P2可表示为:
根据定点数法除法运算:可表示为:
本发明实施例提供的一种水下目标识别网络优化方法,通过定点数法对聚类后的网络权值参数进行量化,获取量化后的字码本并存储,减少网络权值参数的存储和计算代价,进而降低了设备的功耗要求。
进一步地,在一个实施例中,步骤S4可以具体包括:
S41、根据字码本,获取量化网络权值参数;
具体地,根据输入的水下视频图像I和对应的标签Y,即:input=(I,Y),将交叉熵函数作为代价函数当前网络权值参数为Wt,当前学习率为ηt,其中,代价函数可以表示为:
其中,yi为标签Y的分量,为标签/>的分量;
根据量化关系将当前网络权值参数Wt量化后获得字码本,并将字码本转化为量化网络权值参数根据定义的定点数法运算操作向前训练得到/>
S42、将交叉熵函数作为代价函数对量化网络权值参数使用反向传播算法获取梯度;
具体地,将代价函数对量化网络权值参数/>使用反向传播算法获取/>对应的梯度/>梯度:
S43、根据梯度对网络权值参数进行更新,并基于更新后的网络权值参数对水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
具体地,根据梯度和当前学习率为ηt对网络权值参数Wt进行更新,获取更新后的网络权值参数Wt+1,同时更新当前学习率ηt,即:
进一步地,在一个实施例中,步骤S4还包括:
当满足预设判定条件时,判定水下目标识别网络收敛,并停止对网络权值参数进行更新;
其中预设判定条件,包括:
迭代次数大于第二预设值;或
代价函数的结果小于第三预设值。
例如,设定网络权值参数迭代次数为m,迭代步幅设置为1,初始迭代次数为M=0,按照公式M=M+1对初始迭代次数M进行更新,其中m为正整数;
比较M和m大小,若M>m,则判定水下目标识别网络收敛,并停止对网络权值参数进行更新;
或,设定第三预设值为σ,若判定则判定水下目标识别网络收敛,并停止对网络权值参数进行更新。
本发明实施例提供的一种水下目标识别网络优化方法,根据字码本获取量化网络权值参数,并利用代价函数对量化网络权值参数使用反向传播算法获取梯度,进一步通过梯度对网络权值参数进行更新,利用更新后的网络权值参数对水下目标识别网络进行迭代训练直至网络收敛,提高了识别网络的准确度。
进一步地,在一个实施例中,水下视频图像识别方法还包括:
S5、将收敛后的水下目标识别网络部署到边缘端,并将水下视频图像数据输入到收敛后的水下目标识别网络,评估收敛后的水下目标识别网络的性能;
具体地,将收敛后的水下目标识别网络部署到边缘端,将采集新的水下视频图像数据分别输入到收敛前的水下目标识别网络以及收敛后的水下目标识别网络进行测试;
对比收敛前后的水下目标识别网络模型的精度以及收敛前后的水下目标识别网络模型中网络权值参数存储空间的大小,获取收敛前后的水下目标识别网络模型的精度损失、网络权值参数存储空间比例。设收敛前的水下目标识别网络模型的精度为Accurarybefore,收敛后的水下目标识别网络模型的精度为Accuraryafter,则精度损失为Accurarybefore-Accuraryafter。设收敛前的水下目标识别网络模型中网络权值参数存储空间的大小为Sizebefore,收敛后的水下目标识别网络模型中网络权值参数存储空间的大小为Sizeafter,获取收敛前后水下目标识别网络模型中网络权值参数存储空间比例为ε。
本发明实施例提供的一种水下目标识别网络优化方法,将收敛后的水下目标识别网络部署到边缘端,通过比较收敛前后水下目标识别网络的精度损失以及通过比较收敛前后水下目标识别网络模型中网络权值参数存储空间的大小,能直观的展现出收敛前后水下目标识别网络的性能。
图2为本发明实施例提供的一种水下目标识别网络优化装置的结构示意图,如图2所示,所述装置包括:数据获取模块210,第一网络优化模块220,第二网络优化模块230,
数据获取模块210用于将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
第一网络优化模块220用于对网络权值参数进行聚类,获取网络权值参数的聚类中心值;
还用于:根据定点数法量化聚类中心值,并将量化后的聚类中心值存储为字码本;
第二网络优化模块230用于基于字码本对水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
本发明实施例提供的一种水下目标识别网络优化装置,通过数据获取模块210,获取网络权值参数,利用第一网络优化模块220,对网络权值参数进行聚类,减少网络权值参数数量,并基于定点数法对聚类后的网络权值参数进行量化,获取量化后的字码本并存储,进一步减少网络权值参数的存储和计算代价,进而降低了设备的功耗要求,结合第二网络优化模块230,基于字码本对水下目标识别网络进行迭代训练直至水下目标识别网络收敛,提高了识别网络的准确度。
图3为本发明实施例提供的一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(communication interface)320、存储器(memory)330和总线(bus)340,其中,处理器310,通信接口320,存储器330通过总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:
将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
对网络权值参数进行聚类,获取网络权值参数的聚类中心值;
根据定点数法量化所述聚类中心值,并将量化后的聚类中心值存储为字码本;
基于字码本对所述水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
对网络权值参数进行聚类,获取网络权值参数的聚类中心值;
根据定点数法量化所述聚类中心值,并将量化后的聚类中心值存储为字码本;
基于字码本对所述水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:
将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
对网络权值参数进行聚类,获取网络权值参数的聚类中心值;
根据定点数法量化所述聚类中心值,并将量化后的聚类中心值存储为字码本;
基于字码本对所述水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种水下目标识别网络优化方法,其特征在于,包括:
将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值;
根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本;
基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛;
所述对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值,包括:
根据天牛须优化K-均值聚类算法将所述网络权值参数划分为K个簇,获取所述K个簇的聚类中心;
将所述K个簇的聚类中心作为天牛质心;
将所述网络权值参数按照天牛左须进行划分,获取天牛左须气味值;
将所述网络权值参数按照天牛右须进行划分,获取天牛右须气味值;
当满足预设条件时,迭代更新所述天牛质心,将迭代更新后的所述天牛质心作为所述网络权值参数的聚类中心值;
所述预设条件,包括:
第一预设条件:所述天牛左须气味值小于所述天牛右须气味值,且迭代次数不大于第一预设值;
第二预设条件:所述天牛左须气味值大于所述天牛右须气味值,且迭代次数不大于第一预设值;
当满足所述第一预设条件时,所述天牛质心向左须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
当满足第二预设条件时,所述天牛质心向右须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
其中,所述步长step由式step=eta*step计算获取,eta取常数;
所述根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本,包括:
根据所述聚类中心值的大小和精度获取所述定点数法的定标值;
根据所述定标值获取所述定点数法的量化关系;
根据所述量化关系量化所述聚类中心值,并将所述量化后的聚类中心值存储为字码本;
所述基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛,包括:
根据所述字码本,获取量化网络权值参数;
将交叉熵函数作为代价函数对量化网络权值参数使用反向传播算法获取梯度;
根据梯度对所述网络权值参数进行更新,并基于更新后的所述网络权值参数对水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
2.根据权利要求1所述的水下目标识别网络优化方法,其特征在于,所述将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,之前,包括:
对所述水下视频图像数据进行去噪处理以及图像增强处理;
其中,所述去噪处理,包括:采用中值滤波算法、均值滤波算法以及频率滤波算法中的一种或多种;
所述图像增强处理,包括:采用暗通道法、直方图均衡算法、伽马变换以及对象算法中的一种或多种。
3.根据权利要求1所述水下目标识别网络优化方法,其特征在于,还包括:
当满足预设判定条件时,判定所述水下目标识别网络收敛,并停止对所述网络权值参数进行更新;
其中所述预设判定条件,包括:
迭代次数大于第二预设值;或
所述代价函数的结果小于第三预设值。
4.一种水下目标识别网络优化装置,其特征在于,包括:数据获取模块、第一网络优化模块以及第二网络优化模块;
所述数据获取模块,用于将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
所述第一网络优化模块,用于对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值;
还用于:根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本;
所述第二网络优化模块,用于基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛;
所述对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值,包括:
根据天牛须优化K-均值聚类算法将所述网络权值参数划分为K个簇,获取所述K个簇的聚类中心;
将所述K个簇的聚类中心作为天牛质心;
将所述网络权值参数按照天牛左须进行划分,获取天牛左须气味值;
将所述网络权值参数按照天牛右须进行划分,获取天牛右须气味值;
当满足预设条件时,迭代更新所述天牛质心,将迭代更新后的所述天牛质心作为所述网络权值参数的聚类中心值;
所述预设条件,包括:
第一预设条件:所述天牛左须气味值小于所述天牛右须气味值,且迭代次数不大于第一预设值;
第二预设条件:所述天牛左须气味值大于所述天牛右须气味值,且迭代次数不大于第一预设值;
当满足所述第一预设条件时,所述天牛质心向左须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
当满足第二预设条件时,所述天牛质心向右须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
其中,所述步长step由式step=eta*step计算获取,eta取常数;
所述根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本,包括:
根据所述聚类中心值的大小和精度获取所述定点数法的定标值;
根据所述定标值获取所述定点数法的量化关系;
根据所述量化关系量化所述聚类中心值,并将所述量化后的聚类中心值存储为字码本;
所述基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛,包括:
根据所述字码本,获取量化网络权值参数;
将交叉熵函数作为代价函数对量化网络权值参数使用反向传播算法获取梯度;
根据梯度对所述网络权值参数进行更新,并基于更新后的所述网络权值参数对水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如下步骤:
将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值;
根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本;
基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛;
所述对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值,包括:
根据天牛须优化K-均值聚类算法将所述网络权值参数划分为K个簇,获取所述K个簇的聚类中心;
将所述K个簇的聚类中心作为天牛质心;
将所述网络权值参数按照天牛左须进行划分,获取天牛左须气味值;
将所述网络权值参数按照天牛右须进行划分,获取天牛右须气味值;
当满足预设条件时,迭代更新所述天牛质心,将迭代更新后的所述天牛质心作为所述网络权值参数的聚类中心值;
所述预设条件,包括:
第一预设条件:所述天牛左须气味值小于所述天牛右须气味值,且迭代次数不大于第一预设值;
第二预设条件:所述天牛左须气味值大于所述天牛右须气味值,且迭代次数不大于第一预设值;
当满足所述第一预设条件时,所述天牛质心向左须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
当满足第二预设条件时,所述天牛质心向右须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
其中,所述步长step由式step=eta*step计算获取,eta取常数;
所述根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本,包括:
根据所述聚类中心值的大小和精度获取所述定点数法的定标值;
根据所述定标值获取所述定点数法的量化关系;
根据所述量化关系量化所述聚类中心值,并将所述量化后的聚类中心值存储为字码本;
所述基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛,包括:
根据所述字码本,获取量化网络权值参数;
将交叉熵函数作为代价函数对量化网络权值参数使用反向传播算法获取梯度;
根据梯度对所述网络权值参数进行更新,并基于更新后的所述网络权值参数对水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
6.根据权利要求5所述的电子设备,其特征在于,所述处理器执行所述程序时还实现如下步骤:
对所述水下视频图像数据进行去噪处理以及图像增强处理;
其中,所述去噪处理,包括:采用中值滤波算法、均值滤波算法以及频率滤波算法中的一种或多种;
所述图像增强处理,包括:采用暗通道法、直方图均衡算法、伽马变换以及对象算法中的一种或多种。
7.根据权利要求5所述的电子设备,其特征在于,所述处理器执行所述程序时还实现如下步骤:
当满足预设判定条件时,判定所述水下目标识别网络收敛,并停止对所述网络权值参数进行更新;
其中所述预设判定条件,包括:
迭代次数大于第二预设值;或
所述代价函数的结果小于第三预设值。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如下步骤:
将水下视频图像数据输入到预先建立的水下目标识别网络进行训练,获取网络权值参数;
对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值;
根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本;
基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛;
所述对所述网络权值参数进行聚类,获取所述网络权值参数的聚类中心值,包括:
根据天牛须优化K-均值聚类算法将所述网络权值参数划分为K个簇,获取所述K个簇的聚类中心;
将所述K个簇的聚类中心作为天牛质心;
将所述网络权值参数按照天牛左须进行划分,获取天牛左须气味值;
将所述网络权值参数按照天牛右须进行划分,获取天牛右须气味值;
当满足预设条件时,迭代更新所述天牛质心,将迭代更新后的所述天牛质心作为所述网络权值参数的聚类中心值;
所述预设条件,包括:
第一预设条件:所述天牛左须气味值小于所述天牛右须气味值,且迭代次数不大于第一预设值;
第二预设条件:所述天牛左须气味值大于所述天牛右须气味值,且迭代次数不大于第一预设值;
当满足所述第一预设条件时,所述天牛质心向左须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
当满足第二预设条件时,所述天牛质心向右须更新步长step,将更新后的天牛质心作为所述网络权值参数的聚类中心值;
其中,所述步长step由式step=eta*step计算获取,eta取常数;
所述根据定点数法量化所述聚类中心值,并将量化后的所述聚类中心值存储为字码本,包括:
根据所述聚类中心值的大小和精度获取所述定点数法的定标值;
根据所述定标值获取所述定点数法的量化关系;
根据所述量化关系量化所述聚类中心值,并将所述量化后的聚类中心值存储为字码本;
所述基于所述字码本对所述水下目标识别网络进行迭代训练直至所述水下目标识别网络收敛,包括:
根据所述字码本,获取量化网络权值参数;
将交叉熵函数作为代价函数对量化网络权值参数使用反向传播算法获取梯度;
根据梯度对所述网络权值参数进行更新,并基于更新后的所述网络权值参数对水下目标识别网络进行迭代训练直至水下目标识别网络收敛。
9.根据权利要求8所述的非暂态计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时还实现如下步骤:
对所述水下视频图像数据进行去噪处理以及图像增强处理;
其中,所述去噪处理,包括:采用中值滤波算法、均值滤波算法以及频率滤波算法中的一种或多种;
所述图像增强处理,包括:采用暗通道法、直方图均衡算法、伽马变换以及对象算法中的一种或多种。
10.根据权利要求8所述的非暂态计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时还实现如下步骤:
当满足预设判定条件时,判定所述水下目标识别网络收敛,并停止对所述网络权值参数进行更新;
其中所述预设判定条件,包括:
迭代次数大于第二预设值;或
所述代价函数的结果小于第三预设值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011005421.5A CN112132024B (zh) | 2020-09-22 | 2020-09-22 | 水下目标识别网络优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011005421.5A CN112132024B (zh) | 2020-09-22 | 2020-09-22 | 水下目标识别网络优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132024A CN112132024A (zh) | 2020-12-25 |
CN112132024B true CN112132024B (zh) | 2024-02-27 |
Family
ID=73841652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011005421.5A Active CN112132024B (zh) | 2020-09-22 | 2020-09-22 | 水下目标识别网络优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132024B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6421467B1 (en) * | 1999-05-28 | 2002-07-16 | Texas Tech University | Adaptive vector quantization/quantizer |
US8484262B1 (en) * | 2005-12-22 | 2013-07-09 | The Mathworks, Inc. | System and methods for determining attributes for arithmetic operations with fixed-point numbers |
CN107909082A (zh) * | 2017-10-30 | 2018-04-13 | 东南大学 | 基于深度学习技术的声呐图像目标识别方法 |
CN108304928A (zh) * | 2018-01-26 | 2018-07-20 | 西安理工大学 | 基于改进聚类的深度神经网络的压缩方法 |
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN108596930A (zh) * | 2018-04-23 | 2018-09-28 | 西安交通大学 | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 |
CN109214319A (zh) * | 2018-08-23 | 2019-01-15 | 中国农业大学 | 一种水下图像目标检测方法及系统 |
CN109388779A (zh) * | 2017-08-03 | 2019-02-26 | 珠海全志科技股份有限公司 | 一种神经网络权重量化方法和神经网络权重量化装置 |
CN109800700A (zh) * | 2019-01-15 | 2019-05-24 | 哈尔滨工程大学 | 一种基于深度学习的水下声信号目标分类识别方法 |
CN110245602A (zh) * | 2019-06-12 | 2019-09-17 | 哈尔滨工程大学 | 一种基于深度卷积特征的水下静目标识别方法 |
CN110334650A (zh) * | 2019-07-04 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 物体检测方法、装置、电子设备及存储介质 |
CN111209952A (zh) * | 2020-01-03 | 2020-05-29 | 西安工业大学 | 基于改进ssd和迁移学习的水下目标检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
US20180107926A1 (en) * | 2016-10-19 | 2018-04-19 | Samsung Electronics Co., Ltd. | Method and apparatus for neural network quantization |
US11321609B2 (en) * | 2016-10-19 | 2022-05-03 | Samsung Electronics Co., Ltd | Method and apparatus for neural network quantization |
US20200104721A1 (en) * | 2018-09-27 | 2020-04-02 | Scopemedia Inc. | Neural network image search |
GB2580171B (en) * | 2018-12-21 | 2021-02-17 | Imagination Tech Ltd | Methods and systems for selecting quantisation parameters for deep neural networks using back-propagation |
US20200210840A1 (en) * | 2018-12-31 | 2020-07-02 | Microsoft Technology Licensing, Llc | Adjusting precision and topology parameters for neural network training based on a performance metric |
-
2020
- 2020-09-22 CN CN202011005421.5A patent/CN112132024B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6421467B1 (en) * | 1999-05-28 | 2002-07-16 | Texas Tech University | Adaptive vector quantization/quantizer |
US8484262B1 (en) * | 2005-12-22 | 2013-07-09 | The Mathworks, Inc. | System and methods for determining attributes for arithmetic operations with fixed-point numbers |
CN109388779A (zh) * | 2017-08-03 | 2019-02-26 | 珠海全志科技股份有限公司 | 一种神经网络权重量化方法和神经网络权重量化装置 |
CN107909082A (zh) * | 2017-10-30 | 2018-04-13 | 东南大学 | 基于深度学习技术的声呐图像目标识别方法 |
CN108304928A (zh) * | 2018-01-26 | 2018-07-20 | 西安理工大学 | 基于改进聚类的深度神经网络的压缩方法 |
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN108596930A (zh) * | 2018-04-23 | 2018-09-28 | 西安交通大学 | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 |
CN109214319A (zh) * | 2018-08-23 | 2019-01-15 | 中国农业大学 | 一种水下图像目标检测方法及系统 |
CN109800700A (zh) * | 2019-01-15 | 2019-05-24 | 哈尔滨工程大学 | 一种基于深度学习的水下声信号目标分类识别方法 |
CN110245602A (zh) * | 2019-06-12 | 2019-09-17 | 哈尔滨工程大学 | 一种基于深度卷积特征的水下静目标识别方法 |
CN110334650A (zh) * | 2019-07-04 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 物体检测方法、装置、电子设备及存储介质 |
CN111209952A (zh) * | 2020-01-03 | 2020-05-29 | 西安工业大学 | 基于改进ssd和迁移学习的水下目标检测方法 |
Non-Patent Citations (11)
Title |
---|
A CODEBOOK OF BRIGHTNESS TRANSFER FUNCTIONS FOR IMPROVED TARGET RE-IDENTIFICATION ACROSS NON-OVERLAPPING CAMERA VIEWS Zheng, Y * |
Ozcan, K and Velipasalar, S.A CODEBOOK OF BRIGHTNESS TRANSFER FUNCTIONS FOR IMPROVED TARGET RE-IDENTIFICATION ACROSS NON-OVERLAPPING CAMERA VIEWS.IEEE Global Conference on Signal and Information Processing.2018,全文. * |
一种新的矢量量化码书设计算法;黄榜;谢林柏;;科学技术与工程;20110108(第01期);全文 * |
基于动态映射的卷积神经网络量化重训练方法;李泽嵩;董光宇;;信息技术(第07期);全文 * |
基于字典学习的卷积神经网络压缩方法;耿旭,张永辉,张健;计算机工程与设计;第41卷(第04期);正文第1-4页 * |
基于对比度受限直方图均衡化的水下海参图像增强方法;杨卫中;徐银丽;乔曦;饶伟;李道亮;李振波;;农业工程学报(第06期);全文 * |
基于改进神经网络算法的蔬菜图像识别;芦范;;食品与机械(第02期);全文 * |
基于计算机视觉的水产动物视觉特征测量研究综述;段延娥, 李道亮, 李振波等;农业工程学报;20150831;第31卷(第15期);全文 * |
改进对向传播神经网络应用于码书设计及其性能分析;佘春东, 李磊, 戴彦群, 王茂芝, 范植华;计算机辅助设计与图形学学报;20050420(第04期);全文 * |
自适应天牛须优化与K均值聚类的图像分割算法研究;向长峰;王宸;张秀峰;;制造技术与机床(第05期);全文 * |
陈英义,成艳君,程倩倩等.面向预测的水产养殖物联网数据预处理方法.中国畜牧兽医学会信息技术分会.中国畜牧兽医学会信息技术分会第十二届学术研讨会论文集.2017,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112132024A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lefkimmiatis | Universal denoising networks: a novel CNN architecture for image denoising | |
CN110135580B (zh) | 一种卷积网络全整型量化方法及其应用方法 | |
Thakur et al. | State‐of‐art analysis of image denoising methods using convolutional neural networks | |
Matakos et al. | Accelerated edge-preserving image restoration without boundary artifacts | |
CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
Ma et al. | Efficient and fast real-world noisy image denoising by combining pyramid neural network and two-pathway unscented Kalman filter | |
Yin et al. | Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data | |
CN110210524B (zh) | 一种图像增强模型的训练方法、图像增强方法及装置 | |
CN113658051A (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
CN106663315B (zh) | 用于对含噪图像去噪的方法 | |
CN113570516B (zh) | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 | |
CN109740451B (zh) | 基于重要性加权的道路场景图像语义分割方法 | |
CN113538374A (zh) | 一种面向高速运动物体的红外图像模糊校正方法 | |
CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
Chaurasiya et al. | Deep dilated CNN based image denoising | |
CN112233046A (zh) | 一种柯西噪声下的图像复原方法及其应用 | |
CN117593235B (zh) | 基于深度CNN去噪先验的Retinex变分水下图像增强方法和装置 | |
CN112085674B (zh) | 基于神经网络的航拍图像去模糊算法 | |
CN112132024B (zh) | 水下目标识别网络优化方法及装置 | |
CN110910329A (zh) | 一种以需求为导向的图像去噪方法 | |
CN112270650A (zh) | 基于稀疏自编码器的图像处理方法、系统、介质、设备 | |
CN116862795A (zh) | 一种基于逐像素退化预测网络的多级去运动模糊方法 | |
Hou et al. | Learning deep image priors for blind image denoising | |
CN111145103A (zh) | 基于细节保留神经网络模型的蒙特卡洛去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |