论文摘要
为解决高速铁路周界入侵高可靠度检测的难题,研究基于深度学习的异物入侵实时检测算法。针对深度卷积神经网络存在内存占用量大和检测耗时长的问题,提出以特征图L1范数为准则的递归裁剪算法,逐步降低模型计算量及储存空间,同时将检测准确率保持在较高水平。在基于ImageNet数据库和铁路场景数据库的测试中,该算法可以将VGG16模型压缩约660倍并加速计算4.4倍,而损失的检测准确率分别只有1.2%和0.25%。研究结果表明,基于特征图L1范数的裁剪准则普遍适用于任何具有卷积运算的神经网络结构中,性能优于现有基于卷积核L1范数的裁剪准则。
论文目录
文章来源
类型: 期刊论文
作者: 王玮,朱力强
关键词: 侵限检测,卷积神经网络,模型压缩
来源: 铁道学报 2019年09期
年度: 2019
分类: 工程科技Ⅱ辑,工程科技Ⅰ辑,信息科技
专业: 安全科学与灾害防治,铁路运输,计算机软件及计算机应用
单位: 北京交通大学机械与电子控制工程学院,北京交通大学载运工具先进制造与测控技术教育部重点实验室
基金: 国家重点研发计划(2016YFB1200103),中国铁路总公司科技研究开发计划(2017T001-B)
分类号: U298;TP391.41
页码: 74-80
总页数: 7
文件大小: 2523K
下载量: 124