CN113052189B - 一种基于改进的MobileNetV3特征提取网络 - Google Patents
一种基于改进的MobileNetV3特征提取网络 Download PDFInfo
- Publication number
- CN113052189B CN113052189B CN202110338087.3A CN202110338087A CN113052189B CN 113052189 B CN113052189 B CN 113052189B CN 202110338087 A CN202110338087 A CN 202110338087A CN 113052189 B CN113052189 B CN 113052189B
- Authority
- CN
- China
- Prior art keywords
- shadow
- convolution
- feature
- mobilenet
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种改进的MobileNetV3的特征提取网络。该模型在基于CNN的计算机视觉技术领域具有一定通用性。以Resnet、Vgg为核心的模型在图像经过特征提取网络处理时忽略了其特征集合存在大量冗余性和相似性,且存在参数量高、计算量大的问题。针对冗余性和相似性的问题,提出shadow‑bottleneck,即通过利用分组卷积和改进的通道混洗生成少量本体特征的基础上再采用高效运算生成影子特征的结构方式来保证特征的丰富性和冗余性;针对轻量化问题,参考MobileNetV3模型结构并将网络中的bottleneck替换为shadow‑bottleneck形成最终改进的轻量化特征提取网络模型。该模型能够具有较低的计算量和参数量,且能够获得较高的分类精度。
Description
技术领域
本发明涉及涉及深度学习中用于提取特征的骨干网络领域。
背景技术
计算机视觉领域内目标检测、语义分割等算法模型的构建离不开CNN的支持,现阶段常见的特征提取网络如Resnet通过构建一个体量较为庞大的模型来获取较高的分类精度,然而更深的网络会给网络附加更多的参数量与运算量,以Resnet-101为例该模型参数约为46.5M,浮点运算量则为7.6B,不具备实时性与轻量性。
随着技术的发展与需求的演变,轻量化模型的越来越受到人们的重视,目前常见的轻量化网络模型大致分为:
(1)MobileNet系列:提出利用逐点卷积(PW)和深度卷积(DW)替代原始卷积核来缩减参数量与计算量,并在后续版本中引入反向残差和h-swish激活函数进一步提升模型表达能力。
(2)ShuffleNet系列:利用分组卷积以及通道混洗等技术对网络模型进行轻量化。
而纯粹通过高效卷积等方式来缩小模型或压缩特征信息的做法虽然在参数量和运算量对模型有所改善但会无法避免的降低模型精度。因此可以认为,特征图的丰富性及冗余性特点是决定模型是否精准的关键因素,对模型进行轻量化的方式不应该是避免特征的冗余性而是应该利用成本更低、计算更为高效的方式去获取它。本发明也将利用运算成本低的方法在保证特征冗余性的同时减少模型运算量。
发明内容
为了克服上述现有技术的不足,本发明提出了一种基于改进的MobileNetV3特征提取网络。该技术引用了深度学习中的MobileNetV3网络结构,并针对网络同一层级的输出特征集合具有相似性的特点,对MobileNetV3网络进行了进一步的优化与改进。
本发明所采用的技术方案是:
步骤1:利用少量卷积核生成本体特征图,卷积方式采用逐点分组卷积,分组卷积的方式可以降低计算量和参数量。
步骤2:经过逐点分组卷积处理后,由于组间信息无法交流,采用改进的AD-Shuffle通道混洗方式将特征通道进行混洗,即将原始shuffle操作中每组内未参与跨组处理的特征与其他分组内的同类成员进行融合得到全新特征。
步骤3:该步骤为专利核心内容,原始卷积操作会得到通道数为n的特征图,而步骤1生成的本体特征图的数量m小于n,为了获得原计划数量为n的特征,设计了shadow-module模块,即对步骤1获取到的本体特征采用高效运算手段进行处理,该运算分别在各自通道中进行,得到大量影子特征图,将影子特征图与原始特征图拼接,最终得到数量为n=m×s的特征图;
步骤4:根据前三个步骤提出全新的Shadow-Bottleneck,该模块与Resnet残差块非常相似,Shadow-Bottleneck主要由两个叠堆的Shadow Module构建而成,第一个ShadowModule主要作用是来增加特征通道数,在输出后需要进行批量化处理和ReLU函数处理,第二个Shadow Module则是用来降低特征通道数用以匹配shortcut的输出,输出只需要进行一次批量化处理,对于stride=2需要在两个Shadow Module间插入一个步长为2的深度卷积进行下采样处理;
步骤5:参考MobileNetV3的网络结构,将MobileNetV3中的Bottleneck替换成步骤四的Shadow-Bottleneck,最终利用全局平均池化和全连接层将特征图转换为1280维特征向量完成分类。
与现有技术相比,本发明的有益效果是:
(1)对于分类精度,丰富的特征含量使得该模型具有更好的分类准确度;
(2)对于轻量性,分组卷积及shadow module影子特征图高效生成方式使得模型具有更少的计算量。
附图说明
图1为:原始卷积操作示意图。
图2为:特征可视化结果图。
图3为:shadow module模型示意图。
图4为:逐点分组卷积示意图。
图5为:Shuffle操作示意图。
图6为:AD-Shuffle操作示意图。
图7为:Shadow-Bottleneck模块示意图。
图8为:EL-MobileNet结构示意图。
图9为:shadow module输入输出对比图。
图10为:几类常见模型的运算量与精确度分布散点图。
图11为:几类常见模型的参数量与精确度分布散点图。
具体实施方式
下面结合附图对本发明进一步说明。
首先,基于卷积神经网络的网络模型在进行特征提取的过程如图1所示。输入图像X∈H×W×Cin,其中H、W和Cin分别为输入图像的高和宽以及特征通道数,利用n个尺寸为k×k的卷积过滤器处理可以得到输出特征图Y∈H×W×n。随机选取某一层的特征图进行可视化处理,如图2所示,可以发现特征集合里存在许多相似的特征图对。针对上述特性,本发明提出了Shadow Module模块,如图3所示,在此模块中,首先利用一些卷积方法生成少量的本体特征图,接着对这些本体特征图采用一些更为廉价的计算方法获取其影子特征图,最终将两者拼接,得到最终的输出结果。
本体特征图的生成方式我们采用1×1分组卷积与改进的通道混洗方法AD-shuffle。逐点分组卷积的过程如图4所示,分组卷积将首先把输入特征图按照特征通道数均分为g组,则每组输入特征图的尺寸为H×W×Cin/g,每组对应的卷积核的尺寸则为k×k×c/g,得到每组输出特征图尺寸为H×W×n/g。接着将g组输出结果进行拼接,最终得到尺寸大小为Y′∈H×W×n的输出特征图,其输出通道数的大小依旧是n。这一过程的计算量见公式(1),从公式中可以发现,其计算量降低为原始计算的1/g。
分组卷积中由于每组的特征输出仅仅与各个组内的输入特征相关,组与组之间的通信被阻断,图像信息的表征能力会下降,因此需要利用通道混洗方式来进行进一步的处理,如图5所示,传统的通道混洗方式由于在计算过程中,每组依旧保留着一个来自上一操作且完全未经处理的通道,这就造成了部分信息损失,为了解决这一难题,因此提出了改进的通道混洗操作,如图6所示。该模块将每组未经处理的特征与混洗得到的其他组特征进行融合得到一个全新的输出单元,假设输入特征图通道数为9,分组数为3,则9个特征中有6个特征需要完成常规混洗操作,绿色分组内第一个特征由于为进行跨组交流,我们便利将红色分组与蓝色分组混洗后的特征与该特征进行融合,同时需要对红色分组与蓝色分组内为完成交换的单元进行相似处理,最终将三个新特征与其余6个特征进行拼接,得到与原始混洗模块通道数量一致的输出特征。
为了能够获得原计划期望获得特征图数量,我们将在第一步获取到的本体特征图Y′的基础上,利用下列函数并使用一系列运算成本较低的运算方式来生成与Y′特征信息较为相似的影子特征图,这一操作不仅可以在降低运算成本的同时增加通道数还可以保证维持原有网络模型的特征信息的丰富性,流程见公式(2):
其中,y′i表示Y′的第i个本体特征图,ψi,j表示的是由第i个本体特征图生成的第j个影子特征图的线性运算,也就表明,y′i可以生成数量不定的影子特征图。能够得到n=m·s个特征图Y=y11,y12,…,yms作为Shadow module的输出特征图,s表示本体特征图的映射数量。Shadow module包含一个恒等映射和个“廉价”运算,并且每个运算的平均尺寸大小等于d×d,在理想条件下,这n·(s-1)个运算可以拥有任何形状与参数,但由于硬件使用过程中需要考虑推理能力,统一的尺寸会使得网络整体推理效率更加具有高效性,且深度卷积的有效性与高效性已经得到广泛的验证,因此选取3×3深度卷积作为廉价计算的方法。使用Shadow module的理论加速比见公式(3):
其中s<<c,d×d与k×k大小相似。同样,模型参数的压缩比例见公式(4):
更具分组卷积和改进的通道混洗以及Shadow Module我们设计出全新的Shadow-Bottleneck模块如图7所示,Shadow-Bottleneck与ResNet模型当中的基本残差块非常相似,其包含多个卷积层和shrotcut,Shadow-Bottleneck主要由两个叠堆的Shadow module构建而成,第一个Shadow module主要作用是来增加特征通道数,相当于网络中的膨胀层,我们定义膨胀比为输出通道数与输入通道数的比值,第二个Shadow module则是用来降低特征通道数用以匹配shortcut的输出,两个模块配合使用与MobileNetV2的倒残差结构非常相似。针对Stride=1的情况,我们在第二个Shadow module后不再使用ReLU函数,其他层在最后都会使用批量归一化(BN)和ReLU非线性激活函数。而对于stride=2的情况,则需要进行一些细微调整,将步长为2的深度卷积插入进两个叠堆的Shadow module之间用于进行下采样。
我们使用Shadow-Bottleneck代替MobileNetV3中原有的Bottleneck。第一层依旧为标准卷积层,该层一共包含有16个3×3卷积过滤器,之后利用一系列Shadow-Bottleneck来增加特征通道数,这些模块会根据自身输入特征图的大小分到不同的阶段,每个阶段最后的步长都设置为2,其余步长都为1,模型的最后通过全局平均池化和卷积层将特征图转换为1280维特征向量进行分类,同样,EL-MobileNet的残差层也使用SE模块,但MobileNetV3原有hard-swish由于时延过高都被替换为ReLU非线性函数。EL-MobileNe结构示意图如图8所示。
图9为shadow module输入输出特征可视化图,其中绿色框为本体特征,红色框为影子特征,可以看出两者即存在相似性又存在差异,这就满足了特征集合的丰富性特点,为模型分类能力的提升提供保证。
图10和图11为EL-MobileNet模型与现阶段常见的几类轻量化模型的效果散点图,其中图9为FLOPs与精确度散点图,可以看到,相比入MobileNet和ShuffleNet模型,EL-MobileNet精度更高,计算量更少,而达到甚至超过EL-MobileNet分类精度的模型如FBNet和IGCV3,计算量是EL-MobileNet模型的数倍。图10为参数量与分类精度散点图,FBNet的精度最高,参数量也最大,EL-MobileNet与IGCV3的分类精度以及参数量大小相似。
Claims (2)
1.一种基于改进的MobileNetV3特征提取网络方法,其特征在于,包括以下步骤:
步骤1:利用少量卷积核生成本体特征图,卷积方式采用逐点分组卷积,分组卷积的方式可以降低计算量和参数量;
步骤2:经过逐点分组卷积处理后,由于组间信息无法交流,采用通道混洗方式将特征通道进行混洗,得到通道重构与交流的全新特征结构;
步骤3:原始卷积操作会得到通道数为n的特征图,而步骤1生成的本体特征图的数量m小于n,为了获得原计划数量为n的特征,设计了shadow-module模块,对步骤1获取到的本体特征采用3×3深度卷积的运算手段进行处理,该运算分别在各自通道中进行,得到大量影子特征图,将影子特征图与原始特征图拼接,最终得到数量为n=m×s的特征图,其中s表示本体特征图的映射数量;
步骤4:根据前三个步骤提出全新的Shadow-Bottleneck模块,该模块与Resnet残差块非常相似,Shadow-Bottleneck主要由两个叠堆的Shadow Module构建而成,第一个ShadowModule主要作用是来增加特征通道数,在输出后需要进行批量化处理和ReLU函数处理,第二个Shadow Module则是用来降低特征通道数用以匹配shortcut的输出,输出只需要进行一次批量化处理,对于stride=2需要在两个Shadow Module间插入一个步长为2的深度卷积进行下采样处理;
步骤5:参考MobileNetV3的网络结构,将MobileNetV3中的Bottleneck替换成步骤四的Shadow-Bottleneck,最终利用全局平均池化和全连接层将特征图转换为1280维特征向量完成分类。
2.如权利要求1所述方法,其特征在于,步骤2中的通道混洗为改进的通道混洗AD-Shuffle。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338087.3A CN113052189B (zh) | 2021-03-30 | 2021-03-30 | 一种基于改进的MobileNetV3特征提取网络 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338087.3A CN113052189B (zh) | 2021-03-30 | 2021-03-30 | 一种基于改进的MobileNetV3特征提取网络 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052189A CN113052189A (zh) | 2021-06-29 |
CN113052189B true CN113052189B (zh) | 2022-04-29 |
Family
ID=76516166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110338087.3A Active CN113052189B (zh) | 2021-03-30 | 2021-03-30 | 一种基于改进的MobileNetV3特征提取网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052189B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469344B (zh) * | 2021-07-23 | 2024-04-16 | 成都数联云算科技有限公司 | 深度卷积神经网络模型改进方法及系统及装置及介质 |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288075A (zh) * | 2018-02-02 | 2018-07-17 | 沈阳工业大学 | 一种改进ssd的轻量化小目标检测方法 |
CN108830196A (zh) * | 2018-05-31 | 2018-11-16 | 上海贵和软件技术有限公司 | 基于特征金字塔网络的行人检测方法 |
CN109086678A (zh) * | 2018-07-09 | 2018-12-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
CN109145983A (zh) * | 2018-08-21 | 2019-01-04 | 电子科技大学 | 一种基于轻量化网络的实时场景图像语义分割方法 |
CN109165675A (zh) * | 2018-07-26 | 2019-01-08 | 西安电子科技大学 | 基于周期性局部连接卷积神经网络的图像分类方法 |
CN109410276A (zh) * | 2018-11-01 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 关键点位置确定方法、装置及电子设备 |
CN109670471A (zh) * | 2018-12-28 | 2019-04-23 | 广州市久邦数码科技有限公司 | 一种掌纹特征提取方法和手相识别方法 |
CN109724603A (zh) * | 2019-01-08 | 2019-05-07 | 北京航空航天大学 | 一种基于环境特征检测的室内机器人导航方法 |
CN110223212A (zh) * | 2019-06-20 | 2019-09-10 | 上海木木机器人技术有限公司 | 一种运输机器人的调度控制方法和系统 |
CN110309510A (zh) * | 2019-07-02 | 2019-10-08 | 中国计量大学 | 一种基于c-s和gru的看画题诗方法 |
CN110321967A (zh) * | 2019-07-11 | 2019-10-11 | 南京邮电大学 | 基于卷积神经网络的图像分类改进算法 |
CN110532878A (zh) * | 2019-07-26 | 2019-12-03 | 中山大学 | 一种基于轻量化卷积神经网络的驾驶员行为识别方法 |
CN110633646A (zh) * | 2019-08-21 | 2019-12-31 | 数字广东网络建设有限公司 | 图像敏感信息检测的方法、装置、计算机设备和存储介质 |
CN110647840A (zh) * | 2019-09-19 | 2020-01-03 | 天津天地基业科技有限公司 | 一种基于改进的mobileNetV3的人脸识别方法 |
CN110796236A (zh) * | 2019-10-21 | 2020-02-14 | 中国人民解放军国防科技大学 | 多样本多通道卷积神经网络池化的向量化实现方法 |
CN111259753A (zh) * | 2020-01-10 | 2020-06-09 | 杭州飞步科技有限公司 | 人脸关键点处理方法及装置 |
CN111275034A (zh) * | 2020-01-19 | 2020-06-12 | 世纪龙信息网络有限责任公司 | 从图像中提取文本区域的方法、装置、设备和存储介质 |
CN111353442A (zh) * | 2020-03-03 | 2020-06-30 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111428606A (zh) * | 2020-03-19 | 2020-07-17 | 华南师范大学 | 一种面向边缘计算的轻量级人脸对比验证方法 |
CN111476309A (zh) * | 2020-04-13 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、设备及可读介质 |
CN111652963A (zh) * | 2020-05-07 | 2020-09-11 | 浙江大学 | 一种基于神经网络的增强现实绘制方法 |
CN111666836A (zh) * | 2020-05-22 | 2020-09-15 | 北京工业大学 | M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法 |
CN111832465A (zh) * | 2020-07-08 | 2020-10-27 | 星宏集群有限公司 | 基于MobileNetV3的实时人头分类检测方法 |
CN111860046A (zh) * | 2019-04-26 | 2020-10-30 | 四川大学 | 一种改进MobileNet模型的人脸表情识别方法 |
CN112288630A (zh) * | 2020-10-27 | 2021-01-29 | 武汉大学 | 一种基于改进的广泛深度神经网络的超分辨率图像重建方法及系统 |
CN112334984A (zh) * | 2019-03-21 | 2021-02-05 | 因美纳有限公司 | 基于人工智能的测序元数据生成 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10277630B2 (en) * | 2011-06-03 | 2019-04-30 | The Boeing Company | MobileNet |
US20140302796A1 (en) * | 2013-04-09 | 2014-10-09 | Eden Rock Communications, Llc | Downlink interference detection using transmission matrices |
US11157814B2 (en) * | 2016-11-15 | 2021-10-26 | Google Llc | Efficient convolutional neural networks and techniques to reduce associated computational costs |
-
2021
- 2021-03-30 CN CN202110338087.3A patent/CN113052189B/zh active Active
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288075A (zh) * | 2018-02-02 | 2018-07-17 | 沈阳工业大学 | 一种改进ssd的轻量化小目标检测方法 |
CN108830196A (zh) * | 2018-05-31 | 2018-11-16 | 上海贵和软件技术有限公司 | 基于特征金字塔网络的行人检测方法 |
CN109086678A (zh) * | 2018-07-09 | 2018-12-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
CN109165675A (zh) * | 2018-07-26 | 2019-01-08 | 西安电子科技大学 | 基于周期性局部连接卷积神经网络的图像分类方法 |
CN109145983A (zh) * | 2018-08-21 | 2019-01-04 | 电子科技大学 | 一种基于轻量化网络的实时场景图像语义分割方法 |
CN109410276A (zh) * | 2018-11-01 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 关键点位置确定方法、装置及电子设备 |
CN109670471A (zh) * | 2018-12-28 | 2019-04-23 | 广州市久邦数码科技有限公司 | 一种掌纹特征提取方法和手相识别方法 |
CN109724603A (zh) * | 2019-01-08 | 2019-05-07 | 北京航空航天大学 | 一种基于环境特征检测的室内机器人导航方法 |
CN112334984A (zh) * | 2019-03-21 | 2021-02-05 | 因美纳有限公司 | 基于人工智能的测序元数据生成 |
CN111860046A (zh) * | 2019-04-26 | 2020-10-30 | 四川大学 | 一种改进MobileNet模型的人脸表情识别方法 |
CN110223212A (zh) * | 2019-06-20 | 2019-09-10 | 上海木木机器人技术有限公司 | 一种运输机器人的调度控制方法和系统 |
CN110309510A (zh) * | 2019-07-02 | 2019-10-08 | 中国计量大学 | 一种基于c-s和gru的看画题诗方法 |
CN110321967A (zh) * | 2019-07-11 | 2019-10-11 | 南京邮电大学 | 基于卷积神经网络的图像分类改进算法 |
CN110532878A (zh) * | 2019-07-26 | 2019-12-03 | 中山大学 | 一种基于轻量化卷积神经网络的驾驶员行为识别方法 |
CN110633646A (zh) * | 2019-08-21 | 2019-12-31 | 数字广东网络建设有限公司 | 图像敏感信息检测的方法、装置、计算机设备和存储介质 |
CN110647840A (zh) * | 2019-09-19 | 2020-01-03 | 天津天地基业科技有限公司 | 一种基于改进的mobileNetV3的人脸识别方法 |
CN110796236A (zh) * | 2019-10-21 | 2020-02-14 | 中国人民解放军国防科技大学 | 多样本多通道卷积神经网络池化的向量化实现方法 |
CN111259753A (zh) * | 2020-01-10 | 2020-06-09 | 杭州飞步科技有限公司 | 人脸关键点处理方法及装置 |
CN111275034A (zh) * | 2020-01-19 | 2020-06-12 | 世纪龙信息网络有限责任公司 | 从图像中提取文本区域的方法、装置、设备和存储介质 |
CN111353442A (zh) * | 2020-03-03 | 2020-06-30 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111428606A (zh) * | 2020-03-19 | 2020-07-17 | 华南师范大学 | 一种面向边缘计算的轻量级人脸对比验证方法 |
CN111476309A (zh) * | 2020-04-13 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、设备及可读介质 |
CN111652963A (zh) * | 2020-05-07 | 2020-09-11 | 浙江大学 | 一种基于神经网络的增强现实绘制方法 |
CN111666836A (zh) * | 2020-05-22 | 2020-09-15 | 北京工业大学 | M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法 |
CN111832465A (zh) * | 2020-07-08 | 2020-10-27 | 星宏集群有限公司 | 基于MobileNetV3的实时人头分类检测方法 |
CN112288630A (zh) * | 2020-10-27 | 2021-01-29 | 武汉大学 | 一种基于改进的广泛深度神经网络的超分辨率图像重建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113052189A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626300B (zh) | 基于上下文感知的图像语义分割模型的图像分割方法及建模方法 | |
Liu et al. | Frequency-domain dynamic pruning for convolutional neural networks | |
CN111738301B (zh) | 一种基于双通道学习的长尾分布图像数据识别方法 | |
CN112308158A (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN111091130A (zh) | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 | |
CN113159173B (zh) | 一种结合剪枝与知识蒸馏的卷积神经网络模型压缩方法 | |
Li et al. | Depth-wise asymmetric bottleneck with point-wise aggregation decoder for real-time semantic segmentation in urban scenes | |
CN110009565A (zh) | 一种基于轻量化网络的超分辨率图像重建方法 | |
GB2489272A (en) | Segmentation of images into superpixels | |
CN110689599A (zh) | 基于非局部增强的生成对抗网络的3d视觉显著性预测方法 | |
CN113610227B (zh) | 一种用于图像分类的深度卷积神经网络剪枝方法 | |
CN110781912A (zh) | 一种基于通道扩张倒置卷积神经网络的图像分类方法 | |
CN113052189B (zh) | 一种基于改进的MobileNetV3特征提取网络 | |
CN116152792B (zh) | 基于跨上下文和特征响应注意力机制的车辆重识别方法 | |
CN113240683A (zh) | 基于注意力机制的轻量化语义分割模型构建方法 | |
CN111626404A (zh) | 基于生成对抗神经网络的深度网络模型压缩训练方法 | |
CN111914853B (zh) | 一种用于立体匹配的特征提取方法 | |
CN111914993B (zh) | 基于非均匀分组的多尺度深度卷积神经网络模型构建方法 | |
CN115861861B (zh) | 一种基于无人机配电线路巡检的轻量级验收方法 | |
CN111612145A (zh) | 一种基于异构分离卷积核的模型压缩与加速方法 | |
CN113313721B (zh) | 基于多尺度结构的实时语义分割方法 | |
CN110782396A (zh) | 一种轻量化的图像超分辨率重建网络和重建方法 | |
CN113505804A (zh) | 一种基于压缩深度神经网络的图像识别方法及系统 | |
CN112308215B (zh) | 基于神经网络中数据稀疏特性的智能训练加速方法及系统 | |
CN114065920A (zh) | 一种基于通道级剪枝神经网络的图像识别方法及系统 |
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 |