-
公开(公告)号：CN112257612B
公开(公告)日：2023-06-02
申请号：CN202011149463.6
申请日：2020-10-23
Applicant: 华侨大学 , 福建创享蓝途科技发展有限公司
Abstract: 本发明提供一种基于边缘智能的无人机视频帧过滤方法及装置，方法包括：在无人机端部署轻量级超分辨率模型FLASR和轻量级目标检测模型Yolo_ShuffleNet；将采集到的无人机视频数据使用相似度融合算法初步过滤，得到过滤后的视频帧；将过滤后的视频帧输入到轻量级图像超分辨率模型FALSR中，得到超分辨率视频帧；将超分辨率视频帧输入到轻量级目标检测模型Yolo_ShuffleNet，对视频帧再次进行过滤，过滤掉无目标对象帧，之后上传至云端，解决了数据传输量过大导致时延长与丢失目标帧等问题，在保证目标精度的前提下，提升了目标检测速度。
-
公开(公告)号：CN112488043A
公开(公告)日：2021-03-12
申请号：CN202011478862.7
申请日：2020-12-15
Applicant: 华侨大学
Abstract: 本发明提供一种基于边缘智能的无人机车辆目标检测方法，所述方法包括：在无人机端部署两级过滤器以及轻量级目标检测模型S_YOLOv3，在云端部署高精度目标检测模型YOLOv3；通过将无人机车辆数据集分别输入到S_YOLOv3和YOLOv3中，进行模型迁移训练，使得S_YOLOv3满足预定的速度要求，且使得YOLOv3达到预定的精度要求；将采集的无人机交通视频，通过部署在无人机端的两级过滤器进行初步过滤，丢弃冗余帧；将剩余帧输入到轻量级车辆检测模型S_YOLOv3进一步筛选目标帧；将目标帧输入到部署在云端的高精度目标检测模型YOLOv3，进行高精度检测，得到最终目标帧。本发明通过边云协同机制对无人机目标进行检测，解决数据传输量过大导致时延长与丢失目标帧等问题，提高目标检测速度和准确度。
-
公开(公告)号：CN113516230B
公开(公告)日：2023-06-02
申请号：CN202110818395.6
申请日：2021-07-20
Applicant: 华侨大学
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明提供一种基于平均秩重要性排序的自动化卷积神经网络的剪枝方法，所述方法包括：获取图像的数据集，并将数据集按比例分为训练数据集和验证数据集；获取需要剪枝操作的模型并执行初始化，利用初始化的模型对训练数据集的图像进行预训练，获取每个卷积核输出特征图的平均秩；对所述平均秩进行排序，将秩排序结果作为敏感层判别依据，通过强化学习实现自动化模型剪枝操作，获得其中模型精度最高的模型剪枝策略进行剪枝操作；对剪枝完成以后的模型执行微调操作，得到最终的神经网络模型。采用本发明方法实现神经网络剪枝能够在保证精度损失较小的情况下，降低模型参数量与浮点计算量，降低设备成本。
-
公开(公告)号：CN112257612A
公开(公告)日：2021-01-22
申请号：CN202011149463.6
申请日：2020-10-23
Applicant: 华侨大学 , 福建创享蓝途科技发展有限公司
Abstract: 本发明提供一种基于边缘智能的无人机视频帧过滤方法及装置，方法包括：在无人机端部署轻量级超分辨率模型FLASR和轻量级目标检测模型Yolo_ShuffleNet；将采集到的无人机视频数据使用相似度融合算法初步过滤，得到过滤后的视频帧；将过滤后的视频帧输入到轻量级图像超分辨率模型FALSR中，得到超分辨率视频帧；将超分辨率视频帧输入到轻量级目标检测模型Yolo_ShuffleNet，对视频帧再次进行过滤，过滤掉无目标对象帧，之后上传至云端，解决了数据传输量过大导致时延长与丢失目标帧等问题，在保证目标精度的前提下，提升了目标检测速度。
-
Patent Agency Ranking
-
公开(公告)号：CN115600650A
公开(公告)日：2023-01-13
申请号：CN202211363959.2
申请日：2022-11-02
Applicant: 华侨大学(CN)
Abstract: 本发明基于强化学习的自动化卷积神经网络量化剪枝方法，先获取图像的数据集，利用已初始化的模型对图像进行预训练，得到每个滤波器所输出特征图的平均秩，将平均秩结合滤波器的全局重要性排序，获得滤波器重要性信息；通过强化学习实现自动化神经网络模型量化与剪枝操作，获得模型精度最高的神经网络模型压缩策略，获取最终的剪枝完成以后的神经网络模型。本发明将卷积层中滤波器按照对模型精度影响的重要程度并结合平均秩大小进行全局排序，秩的大小与滤波器重要性大小具有一致性，同时对重要性高的滤波器权重参数分配较高bit位数，从而达到最大程度的精度保留，能将应用于高性能计算机上的神经网络压缩后部署于计算与存储较弱的移动边缘设备上。
-
公开(公告)号：CN113011588A
公开(公告)日：2021-06-22
申请号：CN202110428305.2
申请日：2021-04-21
Applicant: 华侨大学
Abstract: 本发明提供一种卷积神经网络的剪枝方法、装置、设备和介质，方法包括：获取图像的数据集并分为训练集与验证集；将待剪枝的卷积神经网络模型进行初始化后，对训练集中的图像进行多轮预训练，确定网络的敏感层；通过强化学习进行多轮自动化剪枝操作，得到每轮剪枝操作的模型精确度，从而获得模型精度最高的模型剪枝策略；其间，根据强化学习的确定性策略，对网络的敏感层和非敏感层实行不同的压缩策略，来对各网络层的滤波器数量进行剪枝；执行微调操作，得到最终的卷积神经网络模型。本发明从模型剪枝的最开始就介入强化学习，根据环境优化模型的剪枝策略，且剪枝的对象是完整滤波器，不会造成模型的不规则，大大提高了泛化性。
-
公开(公告)号：CN112488043B
公开(公告)日：2023-06-02
申请号：CN202011478862.7
申请日：2020-12-15
Applicant: 华侨大学
Abstract: 本发明提供一种基于边缘智能的无人机车辆目标检测方法，所述方法包括：在无人机端部署两级过滤器以及轻量级目标检测模型S_YOLOv3，在云端部署高精度目标检测模型YOLOv3；通过将无人机车辆数据集分别输入到S_YOLOv3和YOLOv3中，进行模型迁移训练，使得S_YOLOv3满足预定的速度要求，且使得YOLOv3达到预定的精度要求；将采集的无人机交通视频，通过部署在无人机端的两级过滤器进行初步过滤，丢弃冗余帧；将剩余帧输入到轻量级车辆检测模型S_YOLOv3进一步筛选目标帧；将目标帧输入到部署在云端的高精度目标检测模型YOLOv3，进行高精度检测，得到最终目标帧。本发明通过边云协同机制对无人机目标进行检测，解决数据传输量过大导致时延长与丢失目标帧等问题，提高目标检测速度和准确度。
-
公开(公告)号：CN113516230A
公开(公告)日：2021-10-19
申请号：CN202110818395.6
申请日：2021-07-20
Applicant: 华侨大学
Abstract: 本发明提供一种基于平均秩重要性排序的自动化卷积神经网络的剪枝方法，所述方法包括：获取图像的数据集，并将数据集按比例分为训练数据集和验证数据集；获取需要剪枝操作的模型并执行初始化，利用初始化的模型对训练数据集的图像进行预训练，获取每个卷积核输出特征图的平均秩；对所述平均秩进行排序，将秩排序结果作为敏感层判别依据，通过强化学习实现自动化模型剪枝操作，获得其中模型精度最高的模型剪枝策略进行剪枝操作；对剪枝完成以后的模型执行微调操作，得到最终的神经网络模型。采用本发明方法实现神经网络剪枝能够在保证精度损失较小的情况下，降低模型参数量与浮点计算量，降低设备成本。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.028 seconds)
