公开(公告)号：CN114022705A

公开(公告)日：2022-02-08

申请号：CN202111270003.3

申请日：2021-10-29

Applicant: 电子科技大学

Inventor： 李曙光 ,  王海 ,  欧俊宏 ,  薛飞 ,  赵洋 ,  程洪

IPC: G06V10/764 ,  G06V10/762 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于场景复杂度预分类的自适应目标检测方法，该方法采用谱聚类方法将交通场景图像分为了简单、中等复杂和复杂三个场景复杂度等级，分类结果具有合理性；基于场景复杂度预分类的自适应目标检测模型利用复杂度预分类CNN网络模型对基本交通场景进行复杂度预判，后端则根据复杂度调整合适规模的目标检测网络模型进行识别，整体上使得所述基于场景复杂度预分类的自适应目标检测模型的目标识别效率得到了提升，能够显著提高规模可变目标检测网络模型在实际运行时的推理计算速度。

公开(公告)号：CN114022705B

公开(公告)日：2023-08-04

申请号：CN202111270003.3

申请日：2021-10-29

Applicant: 电子科技大学

Inventor： 李曙光 ,  王海 ,  欧俊宏 ,  薛飞 ,  赵洋 ,  程洪

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于场景复杂度预分类的自适应目标检测方法，该方法采用谱聚类方法将交通场景图像分为了简单、中等复杂和复杂三个场景复杂度等级，分类结果具有合理性；基于场景复杂度预分类的自适应目标检测模型利用复杂度预分类CNN网络模型对基本交通场景进行复杂度预判，后端则根据复杂度调整合适规模的目标检测网络模型进行识别，整体上使得所述基于场景复杂度预分类的自适应目标检测模型的目标识别效率得到了提升，能够显著提高规模可变目标检测网络模型在实际运行时的推理计算速度。

公开(公告)号：CN113902099B

公开(公告)日：2023-06-02

申请号：CN202111171312.5

申请日：2021-10-08

Applicant: 电子科技大学

Inventor： 李曙光 ,  薛飞 ,  欧俊宏 ,  王海 ,  程洪

IPC: G06N3/045 ,  G06N3/063

Abstract: 本发明公开了一种基于软硬件联合学习的神经网络设计与优化方法，该方法包括神经网络结构规律统计；FPGA硬件特性预测；FPGA神经网络结构空间设计；在搜索空间中运用软硬件联合学习方法，结合随机搜索和分块监督搜索，获得主干神经网络。本发明基于神经网络的设计特性和FPGA的硬件特性，构建了一个具有先验信息的搜索空间，这是搜索建立的方向；同时，通过将随机搜索和块监督搜索与FPGA模型预测相结合，得到了一种具有精度和速度平衡的高效神经网络模型。该模型在ZCU102上达到了在ImageNet数据集上77.2％的Top‑1准确率以及327.67FPS的速度。

公开(公告)号：CN113902099A

公开(公告)日：2022-01-07

申请号：CN202111171312.5

申请日：2021-10-08

Applicant: 电子科技大学

Inventor： 李曙光 ,  薛飞 ,  欧俊宏 ,  王海 ,  程洪

IPC: G06N3/04 ,  G06N3/063

Abstract: 本发明公开了一种基于软硬件联合学习的神经网络设计与优化方法，该方法包括神经网络结构规律统计；FPGA硬件特性预测；FPGA神经网络结构空间设计；在搜索空间中运用软硬件联合学习方法，结合随机搜索和分块监督搜索，获得主干神经网络。本发明基于神经网络的设计特性和FPGA的硬件特性，构建了一个具有先验信息的搜索空间，这是搜索建立的方向；同时，通过将随机搜索和块监督搜索与FPGA模型预测相结合，得到了一种具有精度和速度平衡的高效神经网络模型。该模型在ZCU102上达到了在ImageNet数据集上77.2％的Top‑1准确率以及327.67FPS的速度。