典型文献
工业场景下基于秩信息对YOLOv4的剪枝
文献摘要：
在工业场景无线射频识别(RFID)实时缺陷检测任务中,为了保证检测精度以及速度常采用YOLO这类深度学习目标检测算法,然而这些算法仍然难以满足工业检测中的速度要求,且无法将相应的网络模型部署到资源受限的设备上.针对以上问题,需要对YOLO模型进行剪枝压缩,提出了一种基于秩信息的特征信息丰富性和特征信息多样性加权融合的新型网络剪枝方法.首先,加载未剪枝模型进行推理,并在前向传播中获取滤波器对应特征图的秩信息来衡量特征信息丰富性;然后,根据不同大小的剪枝率对秩信息进行聚类或者相似度计算来衡量特征信息的多样性;最后,加权融合得到对应滤波器的重要性程度并对其进行排序后,剪除重要性排序靠后的滤波器.实验结果表明,对于YOLOv4,在剪枝率为28.87％且特征信息丰富性权重为0.75的情况下,所提方法相较于单一使用特征图秩信息的方法提高了2.6％～8.9％的平均精度均值(mAP),所提方法剪枝后的模型甚至相较于未剪枝模型提高了0.4％的mAP并减少了35.0％的模型参数,表明该方法有利于模型部署.
文献关键词：
无线射频识别;YOLO;网络剪枝;特征信息丰富性;特征信息多样性;秩信息
中图分类号：
作者姓名：
秦晓;成苗;张绍兵;何莲;石向文;王品学;曾尚
作者机构：
中国科学院成都计算机应用研究所,成都610041;中国科学院大学计算机科学与技术学院,北京100049;深圳市中钞科信金融科技有限公司,广东深圳518206
文献出处：
引用格式：
[1]秦晓;成苗;张绍兵;何莲;石向文;王品学;曾尚-.工业场景下基于秩信息对YOLOv4的剪枝)[J].计算机应用,2022(05):1417-1423
A类：
秩信息,特征信息丰富性,特征信息多样性
B类：
工业场景,YOLOv4,无线射频识别,RFID,缺陷检测,检测精度,学习目标,目标检测算法,工业检测,将相,模型部署,资源受限,加权融合,网络剪枝,剪枝方法,滤波器,特征图,同大,相似度计算,算来,剪除,重要性排序,重为,使用特征,平均精度均值,mAP
AB值：
0.227934
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。
