CN113128355A - 一种基于通道剪枝的无人机图像实时目标检测方法 - Google Patents
一种基于通道剪枝的无人机图像实时目标检测方法 Download PDFInfo
- Publication number
- CN113128355A CN113128355A CN202110332571.5A CN202110332571A CN113128355A CN 113128355 A CN113128355 A CN 113128355A CN 202110332571 A CN202110332571 A CN 202110332571A CN 113128355 A CN113128355 A CN 113128355A
- Authority
- CN
- China
- Prior art keywords
- pruning
- channel
- network
- aerial vehicle
- unmanned aerial
- 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
Links
- 238000013138 pruning Methods 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000013140 knowledge distillation Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于通道剪枝的无人机图像实时目标检测方法，使用预训练完的网络作为初始网络，使用更新的损失函数进行稀疏化训练，将所有批次标准化层的尺度缩放因子按顺序排列，依据稀疏化阈值对通道进行剪枝；通道剪枝过程利用掩码来标记卷积层通道，需要进行剪枝的通道掩码为1，保留的通道掩码为0；逐层地对网络层进行剪枝，根据掩码判断是否删除该通道相连的输入、输出、卷积核以及批次标准化层的参数，将待剪枝通道操作完成后生成新的模型参数文件；最后使用较小的学习率来微调通道剪枝后的模型，恢复模型的目标识别精度。本发明对硬件资源的要求低、识别速度快，能够实时识别无人机所处场景。
Description
技术领域
本发明属于无人机图像目标识别技术领域，具体是涉及一种基于通道剪枝的无人机图像实时目标检测方法。
背景技术
无人机执行安保防护、集会监控、自然勘探等户外飞行任务时，需要地面站配合实时识别目标来进行监测。部署到具体的硬件资源时要考虑到硬件的资源情况，要进一步提高识别速度才能在性能有限的笔记本设备上实现实时识别。无人机地面站的计算量相对手机等嵌入式设备有剩余，因此我们可以将改进的YOLO网络进行模型压缩来降低参数量，提升识别速度。通道剪枝既可以对各种网络模型实现较好的泛化能力，又不依赖特殊的计算资源，可以对卷积层和全连接层直接操作。
发明内容
发明目的：为了克服现有的目标识别模型对硬件资源的要求高、识别速度慢，难以实时识别无人机所处场景的问题，本发明提供了一种基于通道剪枝的无人机图像实时目标检测方法。
技术方案：本发明所述的一种基于通道剪枝的无人机图像实时目标检测方法，包括以下步骤：
(1)使用改进的YOLO网络对无人机数据集进行基础训练，对基础训练完的网络基于批次标准化层的缩放因子重新进行稀疏化训练，产生稀疏化的缩放因子；
(2)为了残差模块的输入输出特征通道匹配，采取保守剪枝策略和全网络剪枝策略，以BN层的尺度缩放因子作为剪枝通道的选择标准进行通道剪枝；
(3)剪枝后采用知识蒸馏策略对剪枝网络和模型进行微调，使得模型的目标识别精度恢复；
(4)从模型压缩效果和目标识别效果两个维度综合分析模型，得到无人机图像实时多目标识别的最优实现模型。
进一步地，所述步骤(1)包括以下步骤：
(11)为每个通道引入一个缩放因子γ，用缩放因子乘以该通道的输出；
(12)共同训练改进的YOLO网络权重和缩放因子，并对缩放因子进行稀疏正则：基于YOLO算法BN层γ系数的通道剪枝方法的损失函数如下：
Lbng＝∑(x，y)l(f(x，W)，y)+λ∑γ∈τg(γ) (1)
其中，(x，y)表示训练的输入和目标，W表示用于训练的权重，∑(x，y)l(f(x，W)，y)为卷积神经网络正常训练的损失值，g函数是缩放因子的稀疏性惩罚项，λ是平衡这两项的系数。
进一步地，所述步骤(2)实现过程如下：
(21)对有直连操作的残差块进行保守剪枝，即不进行通道剪枝，避免直连层维度不一致；
(22)对一般特征图做通道剪枝操作，最后再对残差块关联的特征图进行剪枝，即进行全网络剪枝；
(23)对直连的特征张量进行通道剪枝，需要将同样位置的通道的γ因子相加再排序；
(24)以缩放因子阈值为依据对此特征图的通道做剪枝。
进一步地，步骤(2)所述的通道剪枝利用掩码来标记卷积层通道，需要进行剪枝的通道掩码为1，保留的通道掩码为0；逐层地对网络层进行剪枝，根据掩码判断是否删除该通道相连的输入、输出、卷积核以及批次标准化层的参数，将待剪枝通道操作完成后生成新的模型参数文件。
进一步地，所述步骤(3)通过以下公式实现：
其中，p表示真实标签的概率分布，z和r代表学生网络和教师网络的预测输出，T是温度超参数，以使softmax分类器的输出更加平滑，从教师网络的输出中提炼出标签分布的知识。
有益效果：与现有技术相比，本发明的有益效果：1、以微调后精度不下降为条件，0.35比例的全网络通道剪枝的模型压缩效果最好，剪枝后参数量减少了2928万，计算量减少26.4BFLOPs，目标识别模型的大小减少了111.74M，网络运行内存减少了0.67G，网络前向推理时间减少3ms；2、得到的最好的剪枝模型的参数量、计算量、模型内存大小、前向推理时间都比保守通道剪枝的要少，在台式电脑的训练环境下可达到33FPS的识别速度，在地面站使用的笔记本电脑环境下可以达到25FPS的识别速度。
附图说明
图1为本发明的流程图；
图2为基于BN层缩放因子的通道剪枝效果图；
图3为稀疏训练中不同平衡因子下所有BN层中尺度缩放因子的数量分布的实验结果；
图4为通道剪枝原理图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于通道剪枝的无人机图像实时目标检测方法，如图1所示，具体包括以下步骤：
步骤1：使用改进的YOLO网络对无人机数据集进行基础训练，对基础训练完的网络基于批次标准化层的缩放因子重新进行稀疏化训练，产生稀疏化的缩放因子。
如图2所示，首先要为每个通道引入一个缩放因子γ，用缩放因子乘以该通道的输出。然后共同训练网络权重和缩放因子，并对缩放因子进行稀疏正则。具体来说，基于BN层γ系数的通道剪枝方法的损失函数可用下式(1)表示：
Lbng＝∑(x，y)l(f(x，W)，y)+λ∑γ∈τg(γ) (1)
其中，(x，y)表示训练的输入和目标，W表示用于训练的权重，前面的求和项对应卷积神经网络正常训练的损失值；g函数是缩放因子的稀疏性惩罚项，λ是平衡这两项的系数。可以选择L1正则项或者L2正则项作为缩放因子的惩罚项，这两种正则化方法广泛用于实现稀疏性，其中L1正则项为g(γ)＝|γ|，L2正则项为g(γ)＝γ2。以L1正则项为例，使用非光滑L1惩罚项时可以采用次梯度下降作为优化方法，如果使用平滑的L1惩罚项则可以避免在非平滑点使用次梯度。改进结构的网络和模型进行稀疏训练，在稀疏训练时统计所有BN层的尺度缩放因子的数量，它反映了尺度缩放因子的分布变化情况，实验结果如图3所示。
步骤2：为了残差模块的输入输出特征通道匹配，采取保守剪枝策略和全网络剪枝策略，以BN层的尺度缩放因子作为剪枝通道的选择标准进行通道剪枝。
如图4所示，YOLO网络结构可以分为主干网络和检测部分，在对主干部分进行通道剪枝时，残差模块是需要特别注意的结构。残差模块中为了解决梯度发散问题引入了直连操作，将两相同维度的特征张量对应逐位相加。如果直接进行通道剪枝，会导致残差模块的输入输出特征图无法匹配通道数，所以对这些特征张量不能直接删除通道，要留下相同位置的通道。第一种策略是对有直连操作的残差块直接不进行通道剪枝，从而避免直连层维度不一致问题，也就是保守剪枝。第二种策略是先对一般特征图做通道剪枝操作，最后再对残差块关联的特征图进行剪枝，称为全网络剪枝。对直连的特征张量进行通道剪枝，需要将同样位置的通道的γ因子相加再排序，最后以缩放因子阈值为依据对此特征图的通道做剪枝。
通道剪枝过程中利用掩码来标记卷积层通道，需要进行剪枝的通道掩码为1，保留的通道掩码为0；逐层地对网络层进行剪枝，根据掩码判断是否删除该通道相连的输入、输出、卷积核以及批次标准化层的参数，将待剪枝通道操作完成后生成新的模型参数文件。
步骤3：剪枝后采用知识蒸馏策略对剪枝网络和模型进行微调，使得模型的目标识别精度恢复。
使用知识蒸馏策略，知识蒸馏适用于模型大小结构相似的网络，在剪枝后的微调使用效果显著。知识蒸馏策略是利用教师网络的特征图等来训练一个紧凑的学生网络。剪枝微调阶段，教师网络是剪枝操作前的预训练模型，剪枝后的网络通过模仿预训练模型不断提高目标识别准确度，同时保持剪枝后模型的复杂度不变。具体实施方法是在训练时增加蒸馏损失，以此惩罚两个网络的softmax分类器输出的不一致。原本使用负交叉熵损失l(p，softmax(z))来度量网络的预测输出和真实标签之间的差异，现在添加蒸馏部分的损失函数，因此知识蒸馏的损失函数变为下式(2)所示：
其中p表示真实标签的概率分布，z和r代表学生网络和教师网络的预测输出，T是温度超参数，以使softmax分类器的输出更加平滑，从教师网络的输出中提炼出标签分布的知识。
步骤4：从模型压缩效果和目标识别效果两个维度综合分析模型，得到无人机图像实时多目标识别的最优实现模型。使用的全网络剪枝策略是以全局阈值为指标找出卷积层的掩码信息，对每组直连操作，将相连的各个卷积层的剪枝掩码求并集，用融合后的掩码来决定剪枝。这种方法对每一层保留通道都进行制约。在执行时对激活偏移值添加处理可以降低剪枝带来的精度损失。分别以0.3、0.35、0.4、0.45、0.5、0.55的比例来进行剪枝，剪枝后的网络和模型的模型压缩指标和目标识别性能指标分别如表1和表2所示。
表1全网络剪枝策略的模型压缩指标实验结果
表2全网络剪枝策略的目标识别指标实验结果
从表1、表2看出以微调后精度不下降为条件，0.35比例的全网络通道剪枝的模型压缩效果最好，剪枝后参数量减少了2928万，计算量减少26.4BFLOPs，目标识别模型的大小减少了111.74M，网络运行内存减少了0.67G，网络前向推理时间减少3ms。
Claims (5)
1.一种基于通道剪枝的无人机图像实时目标检测方法，其特征在于，包括以下步骤：
(1)使用改进的YOLO网络对无人机数据集进行基础训练，对基础训练完的网络基于批次标准化层的缩放因子重新进行稀疏化训练，产生稀疏化的缩放因子；
(2)为了残差模块的输入输出特征通道匹配，采取保守剪枝策略和全网络剪枝策略，以BN层的尺度缩放因子作为剪枝通道的选择标准进行通道剪枝；
(3)剪枝后采用知识蒸馏策略对剪枝网络和模型进行微调，使得模型的目标识别精度恢复；
(4)从模型压缩效果和目标识别效果两个维度综合分析模型，得到无人机图像实时多目标识别的最优实现模型。
2.根据权利要求1所述的基于通道剪枝的无人机图像实时目标检测方法，其特征在于，所述步骤(1)包括以下步骤：
(11)为每个通道引入一个缩放因子γ，用缩放因子乘以该通道的输出；
(12)共同训练改进的YOLO网络权重和缩放因子，并对缩放因子进行稀疏正则：基于YOLO算法BN层γ系数的通道剪枝方法的损失函数如下：
Lbng＝∑(x，y)l(f(x，W)，y)+λ∑γ∈τg(γ) (1)
其中，(x,y)表示训练的输入和目标，W表示用于训练的权重，∑(x，y)l(f(x，W)，y)为卷积神经网络正常训练的损失值，g函数是缩放因子的稀疏性惩罚项，λ是平衡这两项的系数。
3.根据权利要求1所述的基于通道剪枝的无人机图像实时目标检测方法，其特征在于，所述步骤(2)实现过程如下：
(21)对有直连操作的残差块进行保守剪枝，即不进行通道剪枝，避免直连层维度不一致；
(22)对一般特征图做通道剪枝操作，最后再对残差块关联的特征图进行剪枝，即进行全网络剪枝；
(23)对直连的特征张量进行通道剪枝，需要将同样位置的通道的γ因子相加再排序；
(24)以缩放因子阈值为依据对此特征图的通道做剪枝。
4.根据权利要求1所述的基于通道剪枝的无人机图像实时目标检测方法，其特征在于，步骤(2)所述的通道剪枝利用掩码来标记卷积层通道，需要进行剪枝的通道掩码为1，保留的通道掩码为0；逐层地对网络层进行剪枝，根据掩码判断是否删除该通道相连的输入、输出、卷积核以及批次标准化层的参数，将待剪枝通道操作完成后生成新的模型参数文件。
5.根据权利要求1所述的基于通道剪枝的无人机图像实时目标检测方法，其特征在于，所述步骤(3)通过以下公式实现：
其中，p表示真实标签的概率分布，z和r代表学生网络和教师网络的预测输出，T是温度超参数，以使softmax分类器的输出更加平滑，从教师网络的输出中提炼出标签分布的知识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110332571.5A CN113128355A (zh) | 2021-03-29 | 2021-03-29 | 一种基于通道剪枝的无人机图像实时目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110332571.5A CN113128355A (zh) | 2021-03-29 | 2021-03-29 | 一种基于通道剪枝的无人机图像实时目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113128355A true CN113128355A (zh) | 2021-07-16 |
Family
ID=76774555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110332571.5A Pending CN113128355A (zh) | 2021-03-29 | 2021-03-29 | 一种基于通道剪枝的无人机图像实时目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128355A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114120154A (zh) * | 2021-11-23 | 2022-03-01 | 宁波大学 | 一种高层建筑玻璃幕墙破损的自动检测方法 |
| CN114120205A (zh) * | 2021-12-02 | 2022-03-01 | 云南电网有限责任公司信息中心 | 一种配网作业人员系安全带的目标检测和图像识别方法 |
| CN114220032A (zh) * | 2021-12-21 | 2022-03-22 | 一拓通信集团股份有限公司 | 一种基于通道裁剪的无人机视频小目标检测方法 |
| CN114841931A (zh) * | 2022-04-18 | 2022-08-02 | 西南交通大学 | 一种基于剪枝算法的轨枕实时缺陷检测方法 |
| CN115017948A (zh) * | 2022-06-02 | 2022-09-06 | 电子科技大学 | 一种智能信号检测识别模型的轻量化处理方法 |
| CN115019262A (zh) * | 2022-04-02 | 2022-09-06 | 深圳融合永道科技有限公司 | 一种电动二轮车闯红灯自动抓拍的方法 |
| CN115577765A (zh) * | 2022-09-09 | 2023-01-06 | 美的集团(上海)有限公司 | 网络模型剪枝方法、电子设备及存储介质 |
| CN115953652A (zh) * | 2023-03-15 | 2023-04-11 | 广东电网有限责任公司肇庆供电局 | 目标检测网络批归一化层剪枝方法、装置、设备及介质 |
| CN116167430A (zh) * | 2023-04-23 | 2023-05-26 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于均值感知稀疏的目标检测模型全局剪枝方法及设备 |
| CN116597486A (zh) * | 2023-05-16 | 2023-08-15 | 暨南大学 | 一种基于增量技术和掩码剪枝的人脸表情平衡识别方法 |
| CN117315722A (zh) * | 2023-11-24 | 2023-12-29 | 广州紫为云科技有限公司 | 一种基于知识迁移剪枝模型的行人检测方法 |
| CN117579399A (zh) * | 2024-01-17 | 2024-02-20 | 北京智芯微电子科技有限公司 | 异常流量检测模型的训练方法和系统、异常流量检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464718A (zh) * | 2020-10-23 | 2021-03-09 | 西安电子科技大学 | 一种基于YOLO-Terse网络的目标检测方法及存储介质 |
-
2021
- 2021-03-29 CN CN202110332571.5A patent/CN113128355A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464718A (zh) * | 2020-10-23 | 2021-03-09 | 西安电子科技大学 | 一种基于YOLO-Terse网络的目标检测方法及存储介质 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114120154A (zh) * | 2021-11-23 | 2022-03-01 | 宁波大学 | 一种高层建筑玻璃幕墙破损的自动检测方法 |
| CN114120205A (zh) * | 2021-12-02 | 2022-03-01 | 云南电网有限责任公司信息中心 | 一种配网作业人员系安全带的目标检测和图像识别方法 |
| CN114220032A (zh) * | 2021-12-21 | 2022-03-22 | 一拓通信集团股份有限公司 | 一种基于通道裁剪的无人机视频小目标检测方法 |
| CN115019262B (zh) * | 2022-04-02 | 2024-05-24 | 深圳融合永道科技有限公司 | 一种电动二轮车闯红灯自动抓拍的方法 |
| CN115019262A (zh) * | 2022-04-02 | 2022-09-06 | 深圳融合永道科技有限公司 | 一种电动二轮车闯红灯自动抓拍的方法 |
| CN114841931A (zh) * | 2022-04-18 | 2022-08-02 | 西南交通大学 | 一种基于剪枝算法的轨枕实时缺陷检测方法 |
| CN115017948A (zh) * | 2022-06-02 | 2022-09-06 | 电子科技大学 | 一种智能信号检测识别模型的轻量化处理方法 |
| CN115577765A (zh) * | 2022-09-09 | 2023-01-06 | 美的集团(上海)有限公司 | 网络模型剪枝方法、电子设备及存储介质 |
| CN115953652A (zh) * | 2023-03-15 | 2023-04-11 | 广东电网有限责任公司肇庆供电局 | 目标检测网络批归一化层剪枝方法、装置、设备及介质 |
| CN116167430A (zh) * | 2023-04-23 | 2023-05-26 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于均值感知稀疏的目标检测模型全局剪枝方法及设备 |
| CN116167430B (zh) * | 2023-04-23 | 2023-07-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于均值感知稀疏的目标检测模型全局剪枝方法及设备 |
| CN116597486A (zh) * | 2023-05-16 | 2023-08-15 | 暨南大学 | 一种基于增量技术和掩码剪枝的人脸表情平衡识别方法 |
| CN117315722A (zh) * | 2023-11-24 | 2023-12-29 | 广州紫为云科技有限公司 | 一种基于知识迁移剪枝模型的行人检测方法 |
| CN117315722B (zh) * | 2023-11-24 | 2024-03-15 | 广州紫为云科技有限公司 | 一种基于知识迁移剪枝模型的行人检测方法 |
| CN117579399A (zh) * | 2024-01-17 | 2024-02-20 | 北京智芯微电子科技有限公司 | 异常流量检测模型的训练方法和系统、异常流量检测方法 |
| CN117579399B (zh) * | 2024-01-17 | 2024-05-14 | 北京智芯微电子科技有限公司 | 异常流量检测模型的训练方法和系统、异常流量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128355A (zh) | 一种基于通道剪枝的无人机图像实时目标检测方法 | |
| CN108764471B (zh) | 基于特征冗余分析的神经网络跨层剪枝方法 | |
| CN108564129B (zh) | 一种基于生成对抗网络的轨迹数据分类方法 | |
| CN113052211B (zh) | 一种基于特征的秩和通道重要性的剪枝方法 | |
| CN111444760A (zh) | 一种基于剪枝与知识蒸馏的交通标志检测与识别方法 | |
| CN110209859A (zh) | 地点识别及其模型训练的方法和装置以及电子设备 | |
| CN110619059B (zh) | 一种基于迁移学习的建筑物标定方法 | |
| CN112580512B (zh) | 一种基于通道裁剪的轻量级无人机目标检测方法 | |
| CN112541532B (zh) | 基于密集连接结构的目标检测方法 | |
| CN113159048A (zh) | 一种基于深度学习的弱监督语义分割方法 | |
| CN111368935B (zh) | 一种基于生成对抗网络的sar时敏目标样本增广方法 | |
| CN114841257A (zh) | 一种基于自监督对比约束下的小样本目标检测方法 | |
| CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
| CN113032613B (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
| CN112308825B (zh) | 一种基于SqueezeNet的农作物叶片病害识别方法 | |
| CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
| CN111694977A (zh) | 一种基于数据增强的车辆图像检索方法 | |
| CN114492634B (zh) | 一种细粒度装备图片分类识别方法及系统 | |
| CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
| CN112149556B (zh) | 一种基于深度互学习和知识传递的人脸属性识别方法 | |
| CN112308213A (zh) | 一种基于全局特征关系的卷积神经网络压缩方法 | |
| CN115272412B (zh) | 一种基于边缘计算的低小慢目标检测方法及跟踪系统 | |
| CN115329821A (zh) | 一种基于配对编码网络和对比学习的舰船噪声识别方法 | |
| CN115423090A (zh) | 一种面向细粒度识别的类增量学习方法 | |
| CN113450321A (zh) | 基于边缘检测的单阶段目标检测方法 |
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 |