CN113065564A - 一种嵌入式端的表计主刻度线实时分割方法及系统 - Google Patents

一种嵌入式端的表计主刻度线实时分割方法及系统 Download PDF

Info

Publication number
CN113065564A
CN113065564A CN202110450274.0A CN202110450274A CN113065564A CN 113065564 A CN113065564 A CN 113065564A CN 202110450274 A CN202110450274 A CN 202110450274A CN 113065564 A CN113065564 A CN 113065564A
Authority
CN
China
Prior art keywords
network
main scale
training
teacher
student
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.)
Pending
Application number
CN202110450274.0A
Other languages
English (en)
Inventor
王晨
刘海峰
任广鑫
张明
季坤
吴迪
甄超
王坤
王刘芳
郑浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Zhongke Leinao Intelligent Technology Co ltd
State Grid Anhui Electric Power Co Ltd
Original Assignee
Hefei Zhongke Leinao Intelligent Technology Co ltd
State Grid Anhui Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Zhongke Leinao Intelligent Technology Co ltd, State Grid Anhui Electric Power Co Ltd filed Critical Hefei Zhongke Leinao Intelligent Technology Co ltd
Priority to CN202110450274.0A priority Critical patent/CN113065564A/zh
Publication of CN113065564A publication Critical patent/CN113065564A/zh
Pending legal-status Critical Current

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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种嵌入式端的表计主刻度线实时分割方法，属于图像分割技术领域，包括以下步骤：S1：分割网络训练；S2：通道裁剪处理；S3：减少参数量；S4：知识蒸馏。本发明采用模型裁剪和知识蒸馏的技术对Unet网络进行压缩和训练，并将网络应用在表计主刻度线分割任务中，相比基于图像处理的分割技术，具有精度更高、泛化性能更好的特点；相比基于原始深度学习的方案，具有速度更快、模型更小、更适合在嵌入式端进行部署的特点，值得被推广使用。

Description

一种嵌入式端的表计主刻度线实时分割方法及系统
技术领域
本发明涉及图像分割技术领域，具体涉及一种嵌入式端的表计主刻度线实时分割方法及系统。
背景技术
表盘主刻度线分割任务是指针式表计读数识别中的一项关键的任务，它为后面的指针角度与刻度起始、终止位置计算提供关键信息。传统的表盘刻度线是基于图像处理的分割方案，也有基于深度学习的分割方案。基于图像处理的分割方案要充分考虑目标的先验信息，然后针对其颜色，边缘进行处理，一般流程是，边缘检测、二值化、腐蚀膨胀等，最后根据刻度线的轮廓特点，根据刻度线的长度、面积等参数提取轮廓。基于深度学习的分割方案是依靠大量的数据增强模型的泛化性能。一般处理流程是对采集的表计数据进行标注，即把表盘刻度线用多边形标注出来，然后采用语义分割方法进行训练。
基于图像处理的表盘刻度线分割方案，在处理多种表盘刻度线和光照丰富的场景时泛化性能明显不足，需要在写代码时考虑大量的先验信息。基于深度学习的分割方案的技术特点是，泛化性能好，精度较高，但速度较慢。模型较大，不适合嵌入式端部署。
在部署到嵌入端时，上述两种方案均存在一定的问题，基于图像处理的表盘刻度线分割方案存在泛化性能不足、精度不足的问题，基于深度学习的分割方案存在速度较慢、模型较大的问题。因此，提出一种嵌入式端的表计主刻度线实时分割方法。
发明内容
本发明所要解决的技术问题在于：如何解决在保持精度近似接近的情况下，降低模型的计算量，提供了一种嵌入式端的表计主刻度线实时分割方法。
本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
S1：分割网络训练
采用表盘主刻度线数据训练一个原始的Unet网络，并将训练后的Unet网络作为知识蒸馏的教师网络；
S2：通道裁剪处理
对步骤S1中经过训练的Unet网络进行通道裁剪处理，得到计算量更小的thin U-Net网络；
S3：减少参数量
对步骤S2中的thin U-Net网络进行处理获得参数量更小的Unet网络，并在表盘主刻度线数据上训练，得到的网络作为知识蒸馏的学生网络；
S4：知识蒸馏
采用知识蒸馏方法训练方法，使用教师网络对学生网络进行训练，提升学生网络的精度。
更进一步地，在所述步骤S1中，表盘主刻度线数据指的是经过标注后的表盘图像数据。
更进一步地，在所述步骤S2中，通道裁剪处理即对经过训练的原始Unet网络按比例缩小每层卷积核的通道数。
更进一步地，在所述步骤S3中，对步骤S2中的thin U-Net网络进行处理的方式为采用可分离卷积替换原始卷积方式，具体处理过程如下：
假设F为输入特征图,数据维度为DF×DF×M，M为输入通道数，K为卷积核，数据维度为DK×DK×M×N，N为输出通道数，G为F经过传统卷积得到的输出特征图，数据维度为DF×DF×N，则原始卷积公式为：
Gk,l,n＝∑i,j,mKi,j,m,n·Fk+i-1,l+j-1,m；
Figure BDA0003038434820000021
为深度卷积核,数据维度为DK×DK×M，
Figure BDA0003038434820000022
为F经过深度分离卷积得到的输出特征图，数据维度为DF×DF×M，则分离卷积公式为：
Figure BDA0003038434820000023
更进一步地，所述步骤S4的具体过程为：
S41：固定教师网络的参数，提取教师网络输出层softmax的结果为pred_teacher；
S42：设置学生网络参数可更新，并提取输出层softmax的结果为pre_student；根据标注信息生成的标签为pre_label；
S43：计算pred_teacher与pre_student的均方误差，记为L1；计算pre_teacher和pre_label的交叉熵，记为L2；则整体网络的误差为L＝(1-a)*L2+a*L1，其中a为均衡系数；
S44：将L进行反向传播，更新学生网络的参数。
本发明还提供了一种嵌入式端的表计主刻度线实时分割方法，采用上述的分割方法对图像中的表计主刻度线进行分割，包括：
训练模块，用于采用表盘主刻度线数据训练一个原始的Unet网络，并将其作为知识蒸馏的教师网络；
裁剪模块，用于对经过训练的Unet网络进行通道裁剪处理，得到计算量更小thinU-Net网络；
参数量处理模块，用于对thin U-Net网络进行处理获得参数量更小的Unet网络，并在表盘主刻度线数据上训练，得到的网络作为知识蒸馏的学生网络；
蒸馏模块，用于采用知识蒸馏方法训练方法，使用教师网络对学生网络进行训练，提升学生网络的精度；
中央处理模块，用于向其他模块发出指令，完成相关动作；
所述训练模块、裁剪模块、参数量处理模块、蒸馏模块均与中央处理模块电连接。
本发明相比现有技术具有以下优点：该嵌入式端的表计主刻度线实时分割方法，相比基于图像处理的分割技术，具有精度更高、泛化性能更好的特点；相比基于原始深度学习的方案，具有速度更快、模型更小、更适合在嵌入式端进行部署的特点，值得被推广使用。
附图说明
图1是本发明实施例一中的实施流程示意图；
图2是本发明实施例二中Unet网络处理流程示意图；
图3是本发明实施例二中原始的Unet网络结构示意图；
图4是本发明实施例二中标注前及经标注后的表盘主刻度线图片数据。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供一种技术方案：一种嵌入式端的表计主刻度线实时分割方法，包括以下步骤：
S1：分割网络训练
采用表盘主刻度线数据训练一个原始的Unet网络，并将其作为知识蒸馏的教师网络；
S2：通道裁剪处理
对步骤S1中经过训练的Unet网络进行通道裁剪处理，得到计算量更小的thin U-Net网络；
S3：减少参数量
对步骤S2中的thin U-Net网络进行处理获得参数量更小的Unet网络，并在表盘主刻度线数据上训练，得到的网络作为知识蒸馏的学生网络；
S4：知识蒸馏
采用知识蒸馏方法训练方法，使用教师网络对学生网络进行训练，提升学生网络的精度。
在本实施例中，在所述步骤S1中，表盘主刻度线数据指的是经过标注后的表盘图像数据。
在本实施例中，在所述步骤S2中，通道裁剪处理即对经过训练的原始Unet网络按比例缩小每层卷积核的通道数。
在本实施例中，在所述步骤S3中，对步骤S2中的thin U-Net网络进行处理的方式为采用可分离卷积替换原始卷积方式，具体处理过程如下：
假设F为输入特征图,数据维度为DF×DF×M，M为输入通道数，K为卷积核，数据维度为DK×DK×M×N，N为输出通道数，G为F经过传统卷积得到的输出特征图，数据维度为DF×DF×N，则原始卷积公式为：
Gk,l,n＝∑i,j,mKi,j,m,n·Fk+i-1,l+j-1,m；
Figure BDA0003038434820000041
为深度卷积核,数据维度为DK×DK×M，
Figure BDA0003038434820000042
为F经过深度分离卷积得到的输出特征图，数据维度为DF×DF×M，则分离卷积公式为：
Figure BDA0003038434820000043
在本实施例中，所述步骤S4的具体过程为：
S41：固定教师网络的参数，提取教师网络输出层softmax的结果为pred_teacher；
S42：设置学生网络参数可更新，并提取输出层softmax的结果为pre_student；根据标注信息生成的标签为pre_label；
S43：计算pred_teacher与pre_student的均方误差，记为L1；计算pre_teacher和pre_label的交叉熵，记为L2；则整体网络的误差为L＝(1-a)*L2+a*L1，其中a为均衡系数；
S44：将L进行反向传播，更新学生网络的参数。
本实施例中还提供了一种嵌入式端的表计主刻度线实时分割方法，采用上述的分割方法对图像中的表计主刻度线进行分割，包括：
训练模块，用于采用表盘主刻度线数据训练一个原始的Unet网络，并将其作为知识蒸馏的教师网络；
裁剪模块，用于对经过训练的Unet网络进行通道裁剪处理，得到计算量更小thinU-Net网络；
参数量处理模块，用于对thin U-Net网络进行处理获得参数量更小的Unet网络，并在表盘主刻度线数据上训练，得到的网络作为知识蒸馏的学生网络；
蒸馏模块，用于采用知识蒸馏方法训练方法，使用教师网络对学生网络进行训练，提升学生网络的精度；
中央处理模块，用于向其他模块发出指令，完成相关动作；
所述训练模块、裁剪模块、参数量处理模块、蒸馏模块均与中央处理模块电连接。
实施例二
本实施例提供一种技术方案：一种嵌入式端的表计主刻度线实时分割方法，包括如下步骤：
步骤S1：首先采用表盘主刻度线数据训练一个原始的Unet网络，并将其作为知识蒸馏的教师网络，如图2a所示，原始的Unet网络结构如图3所示。(表盘主刻度线数据指的是经过标注后的表盘图像数据)
步骤S2：对原始的Unet网络进行通道裁剪处理，得到thin U-Net，如图2b所示。图3中图像输入后经过的第一个模块由三个卷积核参数为HxWxC卷积层构成,其中H、W、C分别表示卷积核的高、宽和通道数。从图3可知、第一个模块三个卷积核的通道数分别为1、64、64。而通道裁剪即按比例缩小每层卷积核的通道数。经过通道裁剪，整个网络的计算量也按比例减小。
步骤S3：可分离卷积替换原始卷积等方式获得一个参数量更小的Unet网络，并在表盘主刻度线数据上训练，得到的网络作为知识蒸馏的学生网络，如上图2c所示。
假设F为输入特征图,数据维度为DF×DF×M，M为输入通道数。K为卷积核，数据维度为DK×DK×M×N，N为输出通道数。G为F经过传统卷积得到的输出特征图，数据维度为DF×DF×N，则原始卷积公式为：
Figure BDA0003038434820000051
Figure BDA0003038434820000052
为深度卷积核,数据维度为DK×DK×M，
Figure BDA0003038434820000053
为F经过深度分离卷积得到的输出特征图，数据维度为DF×DF×M，则分离卷积公式为：
Figure BDA0003038434820000054
步骤S4：采用知识蒸馏方法训练方法，使用教师网络对学生网络进行训练，进一步提升学生网络的精度。
步骤S4具体过程为：
S41：固定教师网络的参数，提取教师网络输出层softmax的结果为pred_teacher；
S42：设置学生网络参数可更新，并提取输出层softmax的结果为pre_student；根据标注信息生成的标签为pre_label；
S43：计算pred_teacher与pre_student的均方误差，记为L1；计算pre_teacher和pre_label的交叉熵，记为L2；则整体网络的误差为L＝(1-a)*L2+a*L1，其中a为均衡系数；
S44：将L进行反向传播，更新学生网络的参数。
本实施例是基于语义分割的主刻度线检测，使用的分割网络是Unet，原因是Unet网络本身计算量较小，在此基础上再进行模型压缩，更适合部署到嵌入式设备上，且主刻度线分割任务相比自然场景的语义分割任务，背景相对简单，刻度线轮廓相对稳定，Unet网络就能达到比较好的分割效果。
需要说明的是，本实施例所述的主刻度线分割是将表盘区域分为主刻度线区域和其他区域两类，是一种典型的两类语义分割任务。如图4所示，右侧表计中弧形多边形区域即为主刻度线。知识蒸馏是一种将大模型学习到的函数压缩进更小更快的模型中，并且使小模型的精度达到接近大模型精度的方法。大模型通常称为教师网络，小模型称为学生网络。经过模型裁剪后得到的小模型的精度相比原始大模型有一定程度的下降，知识蒸馏则提供了一个挽回精度的方法。
综上所述，上述实施例的嵌入式端的表计主刻度线实时分割方法，采用模型裁剪和知识蒸馏的技术对Unet网络进行压缩和训练，并将网络应用在表计主刻度线分割任务中，相比基于图像处理的分割技术，具有精度更高、泛化性能更好的特点；相比基于原始深度学习的方案，具有速度更快、模型更小、更适合在嵌入式端进行部署的特点，值得被推广使用。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种嵌入式端的表计主刻度线实时分割方法，其特征在于，包括以下步骤：
S1：分割网络训练
采用表盘主刻度线数据训练一个原始的Unet网络，并将训练后的Unet网络作为知识蒸馏的教师网络；
S2：通道裁剪处理
对步骤S1中经过训练的Unet网络进行通道裁剪处理，得到计算量更小的thin U-Net网络；
S3：减少参数量
对步骤S2中的thin U-Net网络进行处理获得参数量更小的Unet网络，并在表盘主刻度线数据上训练，得到的网络作为知识蒸馏的学生网络；
S4：知识蒸馏
采用知识蒸馏方法训练方法，使用教师网络对学生网络进行训练，提升学生网络的精度。
2.根据权利要求1所述的一种嵌入式端的表计主刻度线实时分割方法，其特征在于：在所述步骤S1中，表盘主刻度线数据为经过标注后的表盘图像数据。
3.根据权利要求1所述的一种嵌入式端的表计主刻度线实时分割方法，其特征在于：在所述步骤S2中，通道裁剪处理即对经过训练的原始Unet网络按比例缩小每层卷积核的通道数。
4.根据权利要求1所述的一种嵌入式端的表计主刻度线实时分割方法，其特征在于：在所述步骤S3中，对步骤S2中的thin U-Net网络进行处理的方式为采用可分离卷积替换原始卷积方式，具体处理过程如下：
假设F为输入特征图,数据维度为DF×DF×M，M为输入通道数。K为卷积核，数据维度为DK×DK×M×N，N为输出通道数。G为F经过传统卷积得到的输出特征图，数据维度为DF×DF×N，则原始卷积公式为：
Gk,l,n＝∑i,j,mKi,j,m,n·Fk+i-1,l+j-1,m；
Figure FDA0003038434810000011
为深度卷积核,数据维度为DK×DK×M，
Figure FDA0003038434810000012
为F经过深度分离卷积得到的输出特征图，数据维度为DF×DF×M，则分离卷积公式为：
Figure FDA0003038434810000013
5.根据权利要求4所述的一种嵌入式端的表计主刻度线实时分割方法，其特征在于：所述步骤S4的具体过程为：
S41：固定教师网络的参数，提取教师网络输出层softmax的结果为pred_teacher；
S42：设置学生网络参数可更新，并提取输出层softmax的结果为pre_student；根据标注信息生成的标签为pre_label；
S43：计算pred_teacher与pre_student的均方误差，记为L1；计算pre_teacher和pre_label的交叉熵，记为L2；则整体网络的误差为L＝(1-a)*L2+a*L1，其中a为均衡系数；
S44：将L进行反向传播，更新学生网络的参数。
6.一种嵌入式端的表计主刻度线实时分割系统，其特征在于，采用如权利要求1～5任一项所述的分割方法对图像中的表计主刻度线进行分割，包括：
训练模块，用于采用表盘主刻度线数据训练一个原始的Unet网络，并将其作为知识蒸馏的教师网络；
裁剪模块，用于对经过训练的Unet网络进行通道裁剪处理，得到计算量更小thin U-Net网络；
参数量处理模块，用于对thin U-Net网络进行处理获得参数量更小的Unet网络，并在表盘主刻度线数据上训练，得到的网络作为知识蒸馏的学生网络；
蒸馏模块，用于采用知识蒸馏方法训练方法，使用教师网络对学生网络进行训练，提升学生网络的精度；
中央处理模块，用于向其他模块发出指令，完成相关动作；
所述训练模块、裁剪模块、参数量处理模块、蒸馏模块均与中央处理模块电连接。
CN202110450274.0A 2021-04-25 2021-04-25 一种嵌入式端的表计主刻度线实时分割方法及系统 Pending CN113065564A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110450274.0A CN113065564A (zh) 2021-04-25 2021-04-25 一种嵌入式端的表计主刻度线实时分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110450274.0A CN113065564A (zh) 2021-04-25 2021-04-25 一种嵌入式端的表计主刻度线实时分割方法及系统

Publications (1)

Publication Number Publication Date
CN113065564A true CN113065564A (zh) 2021-07-02

Family

ID=76567858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110450274.0A Pending CN113065564A (zh) 2021-04-25 2021-04-25 一种嵌入式端的表计主刻度线实时分割方法及系统

Country Status (1)

Country Link
CN (1) CN113065564A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116416212A (zh) * 2023-02-03 2023-07-11 中国公路工程咨询集团有限公司 路面破损检测神经网络训练方法及路面破损检测神经网络

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109637546A (zh) * 2018-12-29 2019-04-16 苏州思必驰信息科技有限公司 知识蒸馏方法和装置
CN110059740A (zh) * 2019-04-12 2019-07-26 杭州电子科技大学 一种针对嵌入式移动端的深度学习语义分割模型压缩方法
CN111291836A (zh) * 2020-03-31 2020-06-16 中国科学院计算技术研究所 一种生成学生网络模型的方法
CN112116030A (zh) * 2020-10-13 2020-12-22 浙江大学 一种基于向量标准化和知识蒸馏的图像分类方法
CN112614135A (zh) * 2020-12-23 2021-04-06 国网安徽省电力有限公司检修分公司 一种嵌入式端的表计主刻度线分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109637546A (zh) * 2018-12-29 2019-04-16 苏州思必驰信息科技有限公司 知识蒸馏方法和装置
CN110059740A (zh) * 2019-04-12 2019-07-26 杭州电子科技大学 一种针对嵌入式移动端的深度学习语义分割模型压缩方法
CN111291836A (zh) * 2020-03-31 2020-06-16 中国科学院计算技术研究所 一种生成学生网络模型的方法
CN112116030A (zh) * 2020-10-13 2020-12-22 浙江大学 一种基于向量标准化和知识蒸馏的图像分类方法
CN112614135A (zh) * 2020-12-23 2021-04-06 国网安徽省电力有限公司检修分公司 一种嵌入式端的表计主刻度线分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANDREW G. HOWARD ETC.: "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications", 《ARXIV[CS.CV]》 *
GEOFFREY HINTON ETC.: "Distilling the Knowledge in a Neural Network", 《ARXIV[STAT.ML]》 *
RAPHAEL TANG ET AL.: "Distilling Task-Specific Knowledge from BERT into Simple Neural Networks", 《ARXIV[CS.CL]》 *
SAGAR VAZE ETC.: "Low-Memory CNNs Enabling Real-Time Ultrasound Segmentation Towards Mobile Deployment", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 *
方卫华 等: "《大型调水工程安全信息感知、生成与利用》", 31 December 2019, 河海大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116416212A (zh) * 2023-02-03 2023-07-11 中国公路工程咨询集团有限公司 路面破损检测神经网络训练方法及路面破损检测神经网络
CN116416212B (zh) * 2023-02-03 2023-12-08 中国公路工程咨询集团有限公司 路面破损检测神经网络训练方法及路面破损检测神经网络

Similar Documents

Publication Publication Date Title
CN112733822B (zh) 一种端到端文本检测和识别方法
CN109087258B (zh) 一种基于深度学习的图像去雨方法及装置
CN111611847B (zh) 基于尺度注意力空洞卷积网络的视频动作检测方法
CN113888744A (zh) 一种基于Transformer视觉上采样模块的图像语义分割方法
CN109035251B (zh) 一种基于多尺度特征解码的图像轮廓检测方法
CN111898439B (zh) 基于深度学习的交通场景联合目标检测和语义分割方法
CN111210446B (zh) 一种视频目标分割方法、装置和设备
CN114936605A (zh) 基于知识蒸馏的神经网络训练方法、设备及存储介质
CN113554032B (zh) 基于高度感知的多路并行网络的遥感图像分割方法
CN112614135A (zh) 一种嵌入式端的表计主刻度线分割方法
CN114596566B (zh) 文本识别方法及相关装置
CN111160205A (zh) 一种交通场景嵌入式多类目标端对端统一检测方法
CN112381057A (zh) 手写文字识别方法及装置、存储介质、终端
CN115953582B (zh) 一种图像语义分割方法及系统
CN113065564A (zh) 一种嵌入式端的表计主刻度线实时分割方法及系统
CN112836702A (zh) 一种基于多尺度特征提取的文本识别方法
CN116343185A (zh) 一种面向助盲领域的指示牌语义信息提取方法
CN116343150A (zh) 一种基于改进YOLOv7的道路标识目标检测方法
CN116434241A (zh) 基于注意力机制的自然场景图像中文本识别方法及系统
CN114677536B (zh) 一种基于Transformer结构的预训练方法及装置
CN116071748A (zh) 一种基于频域全局滤波的无监督视频目标分割方法
CN116030396A (zh) 一种用于视频结构化提取的精确分割方法
CN115049945A (zh) 一种基于无人机图像的小麦倒伏面积提取方法和装置
CN104899821A (zh) 一种用于文档类图像可视水印的擦除方法
CN114581406A (zh) 基于Segformer的胃部病理切片细胞核分割方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210702

RJ01 Rejection of invention patent application after publication