基于压缩轻量化深层神经网络的车辆检测模型

• 作者: 刘卫铭 姜星宇 辛月兰
• 来源期刊: 信息技术
• 学科: 工学
• 关键词: 图像识别与分类 轻量化 FasterR-CNN KITTI数据集
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 基金项目
• 页码范围: 23-27,32
• 页数: 6页
• 分类号: TP391.41
• 字数: 3667字
• 语种: 中文
• DOI: 10.13274/j.cnki.hdzj.2020.07.005

摘要

广泛应用于图像识别与分类的神经网络AlexNet,通过增加网络的深度及训练的参数量等方式获得较好的检测结果,但这些方式导致训练参数量庞大,使神经网络无法满足内存较小的嵌入式系统.文中为了解决训练参数量过大的问题,首先对SqueezNet进行模型压缩,对训练权值进行剪枝,让权值共享以及进行权值量化,对权值采用哈夫曼编码减少冗余.然后将被压缩后的SqueezeNet网络作为Faster R-CNN模型的骨干网络在KITTI数据集上进行训练并测试.文中方法使用的参数量比AlexNet少50倍,压缩后的模型文件可以做到比AlexNet小510倍.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	辛月兰	青海师范大学物理与电子信息工程学院	25	98	5.0	9.0
2	刘卫铭	青海师范大学物理与电子信息工程学院	3	0	0.0	0.0
3	姜星宇	青海师范大学物理与电子信息工程学院	3	0	0.0	0.0