典型文献
基于联合剪枝深度模型压缩的种子分选方法研究
文献摘要：
现有基于深度学习的种子分级分选方法已取得了理想的识别效果,但由于分选方法的性能依赖于模型的宽度和深度,导致模型参数量显著增加,使其难以部署在实际应用中资源受限的边缘设备上.为此,提出了 一种通道和卷积层联合剪枝的深度模型压缩方法,在通道剪枝阶段,将稀疏正则化训练的BN层参数作为衡量通道重要性的指标,在不损失模型精度的前提下,实现最大限度的通道剪枝压缩.然后提出基于线性探针的层剪枝方法,在压缩模型的同时减少内存访问,从而提升模型推理速度.最后采用知识蒸馏技术对剪枝网络进行知识迁移,补偿网络因剪枝而造成的精度损失.结果表明,在红芸豆和玉米种子数据集上所提出的方法使模型计算量减少86.55％和91.55％情况下,分别实现了实际推理速度2.1倍和2.8倍的提升,且仍保持较好的识别准确度(97.38％和96.56％),为模型在实际种子分选系统的部署提供技术支撑.
文献关键词：
种子分级分选;计算机视觉;深度学习;模型压缩;层剪枝;知识蒸馏
中图分类号：
作者姓名：
董燕;李环宇;李卫杰;李春雷;刘洲峰
作者机构：
中原工学院电子信息学院,河南郑州450007
文献出处：
引用格式：
[1]董燕;李环宇;李卫杰;李春雷;刘洲峰-.基于联合剪枝深度模型压缩的种子分选方法研究)[J].河南农业科学,2022(01):162-170
A类：
种子分级分选
B类：
深度模型,模型压缩,种子分选,分选方法,模型参数量,中资,资源受限,边缘设备,卷积层,压缩方法,通道剪枝,稀疏正则化,BN,损失模型,模型精度,层剪枝,剪枝方法,压缩模型,模型推理,推理速度,知识蒸馏,蒸馏技术,行知,知识迁移,补偿网络,精度损失,芸豆,玉米种子,种子数,计算量,选系,计算机视觉
AB值：
0.393215
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
