面向计算机视觉的轻量级卷积神经网络模型优化研究

声明

第一章 绪论

1.1.1 深度学习与计算机视觉

1.1.2 移动应用场景的实时性要求

1.1.3 深度神经网络模型的压缩与加速

1.1.4 轻量级卷积神经网络模型

1.2问题与挑战

1.2.1 轻量级卷积神经网络模型表示能力不足的挑战

1.2.2 轻量级卷积神经网络模型信息容量不足的挑战

1.2.3 轻量级目标检测模型检测精度不足的挑战

1.3.1 面向移动视觉应用的MENet网络模型

1.3.2 基于快速下采样策略的FD-MobileNet网络模型

1.3.3 Mobile Light-Head R-CNN轻量级目标检测模型

1.4论文结构

第二章 相关研究

2.1.1 卷积层及其变种

2.1.2 深度卷积神经网络模型

2.1.3 卷积神经网络模型的计算开销

2.2基于CNN的目标检测模型

2.2.1 基于区域的两阶段目标检测模型

2.2.2 单一流程的一阶段目标检测模型

2.2.3 目标检测模型中的特征提取网络

2.3轻量级卷积神经网络模型

2.3.1 面向图像分类的轻量级网络模型

2.3.2 基于CNN的实时目标检测模型

2.4数据集

2.5本章小结

第三章 面向移动视觉应用的MENet网络模型

3.2现有的轻量级神经网络模型分析

3.3面向移动视觉应用的MENet网络模型

3.3.1 Merging操作和Evolution操作设计

3.3.2 Merging-and-Evolution基础网络模块设计

3.3.3 MENet网络模型设计

3.3.4 使用深度卷积的融合分支模型结构

3.4实验结果及分析

3.4.1 CIFAR和SVHN数据集的实验结果分析

3.4.2 ILSVRC 2012数据集的实验结果分析

3.4.3 不同模型选择对模型精度的影响

3.4.4 PASCAL VOC数据集的实验结果分析

3.4.5 实际预测时间分析

3.5本章小结

第四章 基于快速下采样策略的FD-MobileNet网络模型

4.2现有的轻量级神经网络模型分析

4.3基于快速下采样策略的FD-MobileNet网络模型

4.3.1 快速下采样策略

4.3.2 FD-MobileNet网络模型设计

4.4实验结果及分析

4.4.1 ILSVRC 2012数据集的实验结果分析

4.4.2 PASCAL VOC数据集的实验结果分析

4.4.3 实际预测时间分析

4.5本章小结

第五章 Mobile Light-Head R-CNN轻量级目标检测模型

5.2现有的轻量级目标检测网络模型分析

5.3 Mobile Light-Head R-CNN轻量级目标检测模型

5.3.1 特征提取网络设计

5.3.2 上下文增强模块设计

5.3.3 候选区域生成网络设计

5.3.4 空间注意力模块设计

5.3.5 检测器头部设计

5.4实验结果及分析

5.4.1 实现细节

5.4.2 PASCAL VOC数据集的实验结果分析

5.4.3 MS COCO数据集的实验结果分析

5.4.4 分解实验结果分析

5.4.5 实际预测速度

5.5本章小结

第六章 结束语

6.2工作展望

致谢

参考文献

作者在学期间取得的学术成果