多目標模擬的案例
多特征融合的多目標跟蹤網(wǎng)絡(luò)
以上基于聚類的無監(jiān)督方法可以獲得一定的場景泛化能力來應(yīng)對光線變化，但僅使用二維圖像對復(fù)雜場景分割的精度依舊有限且難以進行場景感知，亦存在較多局限性。
針對室內(nèi)場景目標多種多樣，各目標之間差異較大，比如有靠椅、有凳子等，傳統(tǒng)圖像算法難以完整的分割出目標，且難以獲得類別標簽等更多的信息。近年來，隨著GPU 算力的增長以及數(shù)據(jù)集的完善，基于深度學(xué)習(xí)的語義分割算法飛速發(fā)展，圖像分割技術(shù)水平大幅提高，可以實現(xiàn)圖像像素級分類，目標分割完整度得到大大提升，進而分割精度得到大大提升Long等人于 2014 年提出了全卷積網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）進行語義分割，該網(wǎng)絡(luò)實現(xiàn)了端到端的逐像素分類，是深度學(xué)習(xí)語義分割方法的基石。該算法以 VGG-16 網(wǎng)絡(luò)為主干網(wǎng)絡(luò)，去除了網(wǎng)絡(luò)后的全連接層（Fully Connected Layer，F(xiàn)C）。由于 VGG-16 中只有全連接層要求輸入尺寸為固定大小，去除全連接層后，輸入網(wǎng)絡(luò)的圖像尺寸便可以是動態(tài)大小，去除了固定輸入尺寸的限制。同時 FCN 根據(jù)不同的下采樣倍率，將下采樣時得到的特征圖與上采樣進行轉(zhuǎn)置卷積計算時的特征圖進行融合得到了精細的像素級分割結(jié)果，為后續(xù)語義分割網(wǎng)絡(luò)設(shè)計奠定了基礎(chǔ)框架。所以后續(xù)分割算法大都以其為基礎(chǔ)進行改進。SegNet在解碼器部分使用上池化操作進行上采樣保留了高頻細節(jié)的完整性，實現(xiàn)了更精細的分割。之后的Unet在編解碼器間加入了若干跳躍連接，融合了編解碼器不同層次的特征，減小了信息丟失來提升精度，由于 Unet 設(shè)計了簡單高效的特征融合方式，在醫(yī)學(xué)圖像上作細胞分割效果較好，之后醫(yī)學(xué)圖像分割領(lǐng)域出現(xiàn)了很多基于 Unet 改進的分割網(wǎng)絡(luò)。
展開 多目標多學(xué)科優(yōu)化--Isight軟件概述
多目標多學(xué)科優(yōu)化
—Isight軟件概述
Isight是國際上最先進的基于參數(shù)的多學(xué)科設(shè)計優(yōu)化軟件，將過程集成、設(shè)計優(yōu)化和穩(wěn)健性設(shè)計有機結(jié)合，現(xiàn)為法國Dassault/Simulia公司旗下拳頭產(chǎn)品。Isight將數(shù)字技術(shù)、推理技術(shù)和設(shè)計探索技術(shù)有效融合，并把大量的需要人工完成的工作由軟件實現(xiàn)自動化處理，也被稱為“軟件機器人”?？杉煞抡娲a并提供設(shè)計智能支持，從而對多個設(shè)計可選方案進行評估，大大縮短了產(chǎn)品的設(shè)計周期，顯著提高。
Isight提供專用的多學(xué)科設(shè)計優(yōu)化語言MDoL來描述MDO問題，具有很好的集成遺留程序的能力?？稍诋悩?gòu)計算機環(huán)境下實現(xiàn)分布式計算，并支持并行計算；同DAKOTA一樣，Isight提供了豐富的優(yōu)化算法和多種代理模型方法，具有良好的可視化功能;對多種CAD和CAE商用軟件提供接口，如Abaqus、Nastran、Ansys、Fluent、CFX、Catia V5等；在Isight框架中還提供了較好的基于穩(wěn)健性的設(shè)計優(yōu)化和基于可靠性的設(shè)計優(yōu)化的功能。
Isight提供了強大的用戶界面，通過圖形化工作界面，用戶可以進行產(chǎn)品設(shè)計的過程集成、優(yōu)化處理和自動化求解工作。其圖形化用戶界面可以分為三個功能部分，過成集成、問題定義和方案監(jiān)控。每一個功能部分都強調(diào)了設(shè)計研究中需要的集成，自動化和監(jiān)控步驟。
過程集成可以快速耦合各學(xué)科、不同編程語言和格式的仿真代碼。在該界面里完成數(shù)據(jù)流和控制流的可視化，另外還提供過程的結(jié)構(gòu)化視圖，方便導(dǎo)航和操作。
軟件的參數(shù)界面提供了類似電子表格形式的操作風(fēng)格，方便用戶快速定義設(shè)計變量、目標、約束和初始值。
Isight允許用戶編制針對不同問題的任務(wù)計劃，其可以是任意嵌套和組合各種算法，從而通過智能化的探索，選擇新的設(shè)計點，執(zhí)行模擬分析流程，并使這一過程自動化。
展開 如何使用Optistruct進行應(yīng)力拓撲優(yōu)化或多目標、多約束優(yōu)化 ￥9.99
同樣使用本文的方法還可以求解多目標優(yōu)化和多約束優(yōu)化等等，不僅僅是拓撲優(yōu)化，尺寸優(yōu)化，形狀優(yōu)化也能解決，因為這三種優(yōu)化類型都需要響應(yīng)。
基于optistruct靜態(tài)多工況下汽車控制臂多目標拓撲優(yōu)化 ￥80
本例以汽車控制臂三種工況下的多目標拓撲優(yōu)化為例，講述在optistruct中是如何進行多目標拓撲優(yōu)化，從而滿足特定要求下汽車控制臂的概念設(shè)計，先通過單目標拓撲優(yōu)化得到每個工況的最大與最小柔度值，然后通過基于SIMP的多工況靜態(tài)剛度拓撲優(yōu)化數(shù)學(xué)模型得到三各工況綜合柔度的優(yōu)化方程
，
達索SIMULIA多學(xué)科多目標優(yōu)化設(shè)計軟件Isight高級應(yīng)用研討論壇回顧
達索SIMULIA多學(xué)科多目標優(yōu)化設(shè)計軟件Isight高級應(yīng)用研討論壇于2018年7月26日在杭州洲際酒店北京廳召開。來自達索總部的專家，國內(nèi)的航空航天、鐵路、汽車、石油、能源動力與高校等行業(yè)的高級客戶；以及達索的合作伙伴從全國各地齊聚杭州參加了此次技術(shù)高峰論壇。對基于多學(xué)科多領(lǐng)域的參數(shù)綜合優(yōu)化、設(shè)計流程自動化、分析流程模板、基于Isight的定制流程開發(fā)的領(lǐng)域進行了多方面專業(yè)化的深入的技術(shù)交流。
多學(xué)科多目標優(yōu)化設(shè)計軟件Isight高級應(yīng)用研討論壇注冊處：
大會于上午8：40時許召開。首先由達索系統(tǒng)SIMULIA品牌中國區(qū)總監(jiān)MikeSheh博士致開場詞并介紹了大會的日程安排，并向到場的客戶、合作伙伴致謝。
達索系統(tǒng)SIMULIA品牌中國區(qū)總監(jiān)Mike Sheh博士致開場詞
達索SIMULIA多學(xué)科多目標優(yōu)化設(shè)計軟件Isight應(yīng)用論壇主要內(nèi)容涵蓋以下十個方面：
Isight多學(xué)科有目標優(yōu)化軟件在國際上的應(yīng)用（主要介紹在英國與日本的應(yīng)用情況）
Isight多學(xué)科多目標優(yōu)化技術(shù)的戰(zhàn)略規(guī)劃和版本更新。
Isight多學(xué)科多目標優(yōu)化技術(shù)在航天領(lǐng)域的應(yīng)用。
Isight多學(xué)科多目標優(yōu)化技術(shù)在航空發(fā)動機設(shè)計領(lǐng)域中的應(yīng)用。
Isight多學(xué)科多目標優(yōu)化技術(shù)在鐵路行業(yè)中的應(yīng)用。
Isight多學(xué)科多目標優(yōu)化技術(shù)在石油鉆井領(lǐng)域的應(yīng)用。
Isight多學(xué)科多目標優(yōu)化技術(shù)在汽車行業(yè)中的應(yīng)用。
Isight多學(xué)科多目標優(yōu)化技術(shù)在船舶發(fā)動機領(lǐng)域的應(yīng)用。
Isight多學(xué)科多目標優(yōu)化技術(shù)定制化二次開發(fā)的應(yīng)用。
達索合作伙伴對Isight優(yōu)化技術(shù)的高級深度應(yīng)用。
展開 SerDes設(shè)計中高速傳輸線的人工智能驅(qū)動多參數(shù)多目標優(yōu)化流程（7月29日直播）
7月29日，Ansys官方研討會『SerDes設(shè)計中高速傳輸線的人工智能驅(qū)動多參數(shù)多目標優(yōu)化流程』為您分享如何借助Ansys RaptorAI，通過人工智能技術(shù)實現(xiàn)SerDes（高速傳輸線）的多參數(shù)、多目標協(xié)同優(yōu)化，加速設(shè)計流程、提升設(shè)計質(zhì)量。Ansys Raptor 是Ansys 旗下一系列用于電磁建模相關(guān)的軟件工具，常見的有 Ansys RaptorH 和 Ansys RaptorX 等，主要用于半導(dǎo)體電路電磁分析等領(lǐng)域。對該領(lǐng)域感興趣的下滑預(yù)約學(xué)習(xí)??
時間：7月29日（星期四），16：00-17：00
內(nèi)容簡介：隨著數(shù)據(jù)速率的不斷提升、設(shè)計復(fù)雜性的增加以及工藝節(jié)點的持續(xù)演進，高速 SerDes 設(shè)計中的傳輸線優(yōu)化越來越具挑戰(zhàn)，工程師往往需要耗費大量時間進行參數(shù)調(diào)優(yōu)和迭代。本次研討會主要分享如何借助Ansys RaptorAI，通過人工智能技術(shù)實現(xiàn)高速傳輸線的多參數(shù)、多目標協(xié)同優(yōu)化，加速設(shè)計流程、提升設(shè)計質(zhì)量。
講師：
羅杉 | Ansys首席應(yīng)用工程師
自2013年加入Ansys以來，一直負責(zé)Ansys CPS（芯片-封裝-系統(tǒng)）產(chǎn)品線的規(guī)劃，并參與定制TSMC 3DIC信號與電源完整性Ansys解決方案的參考流程，擁有多年高速信號與電源完整性設(shè)計經(jīng)驗。目前主要負責(zé)支持Helic產(chǎn)品線，為Ansys客戶的高速SoC、RFIC、3DIC等設(shè)計提供信號完整性、電源完整性和電磁串?dāng)_方面的技術(shù)支持。
形式：線上
費用：免費
掃碼立即報名
- -THE END- -
技術(shù)鄰簡介：
技術(shù)鄰專注于工科技術(shù)社區(qū)，從最早的CAE技術(shù)社區(qū)（中國CAE聯(lián)盟）發(fā)展而來，在CAE領(lǐng)域有20年的教學(xué)和咨詢服務(wù)經(jīng)驗。
展開 多目標優(yōu)化中文文獻
多目標優(yōu)化
Pareto遺傳算法在貨位配置中的應(yīng)用研究.pdf
PSO算法在工程優(yōu)化問題中的應(yīng)用.PDF
采用改進PSO的非線性系統(tǒng)T_S模糊模型辯識.pdf
帶陰性選擇的粒子群優(yōu)化算法.pdf
單純形-多目標粒子群優(yōu)化方法的混合算法.PDF
導(dǎo)彈運輸發(fā)射車動態(tài)參數(shù)的多目標優(yōu)化.pdf
電力公司購電、配電計劃的多目標優(yōu)化算法.pdf
電力系統(tǒng)無功優(yōu)化中PSO算法的改進研究.pdf
動態(tài)優(yōu)化環(huán)境下的群核進化粒子群優(yōu)化方法.pdf
多目標調(diào)度模型在尼山水庫的應(yīng)用.pdf
多目標決策在高校實驗室設(shè)備采購中的應(yīng)用.pdf
多目標識別的聯(lián)合變換相關(guān)器的研究.pdf
多目標優(yōu)化方法檢測隨機受迫系統(tǒng)的混沌現(xiàn)象以及在心率變異信號分析中的應(yīng)用.PDF
多目標優(yōu)化遺傳算法的收斂性定義及實例研究.pdf
多目標優(yōu)化遺傳算法在飛航導(dǎo)彈設(shè)計中的應(yīng)用.pdf
多目標最優(yōu)化的粒子群算法.PDF
番茄形態(tài)結(jié)構(gòu)模型參數(shù)的多目標擬合估算方法研究.pdf
復(fù)合材料層合板蠕變屈曲與變形的優(yōu)化問題.pdf
改進的多目標粒子群算法.pdf
改進的基本粒子群優(yōu)化算法.PDF
隱身性能約束的多目標氣動外形優(yōu)化設(shè)計.pdf
一種解決多目標優(yōu)化問題改進的進化規(guī)劃算法.pdf
一種基于多Agent的進化多目標優(yōu)化算法.pdf
展開 基于深度學(xué)習(xí)的多目標跟蹤算法原理
來源 |
人工智能感知信息處理算法研究院
基于深度學(xué)習(xí)的多目標跟蹤算法的主要任務(wù)是，優(yōu)化檢測目標之間的相似性或距離度量的設(shè)計。根網(wǎng)絡(luò)學(xué)習(xí)到的特征的區(qū)別，可以將基于深度學(xué)習(xí)的多目標跟蹤算法分為基于深度表現(xiàn)特征的跟蹤網(wǎng)絡(luò)，基于相似性度量的跟蹤網(wǎng)絡(luò)以及基于高階匹配特征的跟蹤網(wǎng)絡(luò)如下圖所示。
將神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的目標的表觀特征引入到多目標跟蹤算法中，是提升多目標跟蹤算法效果的最簡單直接的辦法。其具體的操作方法有以下幾種：利用在圖像識別或行人重識別任務(wù)訓(xùn)練得到的特征提取網(wǎng)絡(luò)，直接替換現(xiàn)有的多目標跟蹤算法框架中的表觀特征提取模塊；采用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)光流運動特征，將光流網(wǎng)絡(luò)引入到算法中計算目標之間的運動相關(guān)性等。而通過深度學(xué)習(xí)提升多目標跟蹤算法更加直接的方法是學(xué)習(xí)檢測之間的特征相似性。譬如，設(shè)計深度網(wǎng)絡(luò)對不同目標之間的相似性進行度量，使得同一目標的相似距離小，不同目標的相似距離大，從而構(gòu)造關(guān)于檢測距離的代價函數(shù)。也可以通過設(shè)計二分類代價，使相同目標的檢測特征匹配類型為 1，然不同目標的檢測特征匹配類型為 0，從而學(xué)習(xí)并輸出(0,1]之間的檢測匹配度。如果考慮已有軌跡與檢測之間的匹配，采用深度學(xué)習(xí)方法可以用于設(shè)計并計算軌跡之間的匹配相似度，這種方法可以認為是基于深度學(xué)習(xí)的高階特征匹配方法。使用深度學(xué)習(xí)計算高階特征匹配算法，可以學(xué)習(xí)多幀表現(xiàn)特征的高階匹配相似度，也可以學(xué)習(xí)運動特征的匹配相關(guān)度。下面將通過對基于孿生網(wǎng)絡(luò)的深度學(xué)習(xí)多目標跟蹤算法的詳細介紹，來說明基于深度學(xué)習(xí)的多目標跟蹤算法的詳細步驟。
基于對稱網(wǎng)絡(luò)的多目標跟蹤算法有很多種，而其中的一種便是采用 Siamese對稱卷積網(wǎng)絡(luò)，該算法以兩個尺寸相同的檢測圖像塊為輸入，輸出為兩個圖像塊是否屬于同一個目標的判別。
展開 modeFRONTIER多目標優(yōu)化軟件
例1) 為在搜索中極力降低實際運算量，進行最有效率的優(yōu)化
→啟用響應(yīng)曲面并用型“FSIMPEX、FMOGA-Ⅱ”
例2) 要進行強條件約束、非線性多峰值的多目標優(yōu)化問題
→啟用“MOSA”
例3) 希望在生成響應(yīng)曲面時，為提高響應(yīng)曲面精度，在輸出值急劇變化的部分進行自動定義取樣
→啟用“MACK、利普希茨連續(xù)條件取樣”
三.多目標穩(wěn)健性設(shè)計
穩(wěn)健設(shè)計是指因素狀況發(fā)生微小變差(Δx)對因變量的不敏感性，由于工程設(shè)計問題復(fù)雜，方案評價本身就成了難題，使用數(shù)理統(tǒng)計方法進行穩(wěn)健設(shè)計是提高產(chǎn)品質(zhì)量的一種有效的手段。
傳統(tǒng)方法
?進行穩(wěn)健性求解的時候，選擇(Δ)作為初始設(shè)計點，必須使(○)接近設(shè)計空間穩(wěn)健最優(yōu)點。
?如果求解失敗，則調(diào)整設(shè)計因子權(quán)重。
正向搜索 (輸入→輸出 μ、σ)：MORDO
在“重視輸出的性能、重視各輸出穩(wěn)健性的多目標優(yōu)化”設(shè)計中，可以采用正向搜索方式進行有不均衡多目標穩(wěn)健優(yōu)化設(shè)計。
反向搜索 (輸出μ,σ→不均衡輸入)：反向MORDO
“保持輸出性能的穩(wěn)健性在規(guī)定范圍內(nèi)，將性能最大化”的時候，可以采用反向多目標穩(wěn)健設(shè)計優(yōu)化。
四.50種以上的結(jié)果處理方法，多變量分析功能
即使是一般的統(tǒng)計分析、優(yōu)化工具，也具備了豐富的結(jié)果處理功能。但數(shù)值優(yōu)化得到的“解”也僅僅是“數(shù)值”而已，不外乎是將目標函數(shù)最大化/最小化。
優(yōu)化技術(shù)和工具的發(fā)展使復(fù)雜問題的求解成為可能，從物理意義去解釋 “解”的最優(yōu)性還存在很大的困難，最終還是需要設(shè)計者自己的判斷。所以優(yōu)化工具，不能僅具備自動搜索“最優(yōu)解”功能，還需要解釋“為什么這樣最好或者最差？”等找出“成為最優(yōu)解的物理原因”，是優(yōu)化工具不可欠缺的功能。
展開 [分享]多目標優(yōu)化的方法與理論
多目標優(yōu)化的方法與理論
多目標優(yōu)化的方法與理論.part1.rar
多目標優(yōu)化的方法與理論.part2.rar
基于pytorch的多目標粒子群算法 ￥59.9
基于pytorch的多目標粒子群算法，MOPSO,引導(dǎo)種群逼近真實Pareto前沿，算法運行結(jié)束后將外部存檔中粒子作為獲得的Pareto最優(yōu)解近似。程序已調(diào)通，可以直接運行，標價為程序價格，不包含售后。程序保證可直接運行。
Isight中的多目標優(yōu)化算法比較
對多個子目標同時進行優(yōu)化的問題稱為多目標優(yōu)化問題，又稱多準則優(yōu)化問題、多性能優(yōu)化問題。實際工程中，優(yōu)化問題大多數(shù)屬于多目標問題，目標之間一般都是互相沖突的，因此在設(shè)計時需要進行多目標的比較，并進行權(quán)衡和折衷。自20世紀70年代以來，多目標優(yōu)化問題在國際上引起了廣泛的關(guān)注，并迅速發(fā)展為一門新興的學(xué)科。
多目標優(yōu)化算法主要分為兩大類：歸一化方法和非歸一化方法。
歸一化方法的解決方法通過加權(quán)或其他方式將多個目標轉(zhuǎn)化為單一目標，然后通過成熟的單目標優(yōu)化方法求解。加權(quán)法是歸一化算法的代表算法之一，該算法主要是根據(jù)各子目標的重要程度分別指定相應(yīng)的加權(quán)系數(shù)，將多目標問題單目標化，但其主要有兩個缺點：
（1）當(dāng)目標函數(shù)的數(shù)量增加時，權(quán)重系數(shù)在目標空間里的等值面的關(guān)系不再直觀；
（2）如果Pareto前沿形狀中存在沒有凸起的部分，則無法求得這部分Pareto最優(yōu)解。且加權(quán)法的權(quán)值通常并不是決策者設(shè)定，而是優(yōu)化者決定，這在很大程度上受到了優(yōu)化者主觀的影響。
非歸一化方法是采用Pareto機制直接處理多個目標的優(yōu)化技術(shù)，它不需要將多個目標轉(zhuǎn)化為單一目標，因此解決了歸一化方法的缺點。非歸一化方法能夠使所求解集的前沿與Pareto前沿盡量接近，并盡量均勻覆蓋Pareto前沿。非歸一化方法中的代表方法是：多目標遺傳算法、eArtius公司的ParetoExplorer方法等。
展開 多目標優(yōu)化設(shè)計完整過程
我看過一些論文，現(xiàn)在還沒有什么新的理論可以實現(xiàn)多目標（可能我沒有發(fā)現(xiàn)），現(xiàn)在對多目標的處理情況是response用函數(shù)關(guān)聯(lián)起來，將不同的response設(shè)置為函數(shù)的變量，把多目標處理成為一個單目標。方程形式如下：f=w1*response1+w2*response2
W1,w2 為權(quán)值。
Optistruct中就是如此處理的，
首先在dequation中設(shè)置方程，如下圖：
我對設(shè)置方程還有些地方?jīng)]有弄明白，我只是舉個簡單的例子。（希望哪位高人能把編輯方程的詳細過程，及要注意的地方，單獨發(fā)個帖子，特別是復(fù)雜的方程的編寫過程。）
4. 寫方程。
我以單工況情況下最小化compliance和最大化一階固有頻率為例子，（這個最簡單，多工況的情況，和這個差不多）.
寫方程時，我們不能簡單的將方程寫成f=w1*response1+w2*response2形式，因為w1*response1的值和w2*response2值可能會相差太大，并且兩者的值很可能不是同時變大或是同時變小。所以我們要對兩個response作一定的數(shù)學(xué)處理。（至于為什么要這樣，大家可以想明白）。數(shù)學(xué)處理的方法很簡單，我主要是通過看這篇論文想到的：
汽車車架結(jié)構(gòu)多目標拓撲優(yōu)化方法研究 范文杰，范子杰，蘇瑞意 （強烈推薦）
Multiobjective optimal topology design of structures
T.-Y. Chen, S.-C.
展開 多目標優(yōu)化的微分進化算法
多目標優(yōu)化的微分進化算法
多目標優(yōu)化的微分進化算法.pdf
多目標優(yōu)化問題有效解的一階必要條件.pdf
深度學(xué)習(xí)|基于MobileNet的多目標跟蹤深度學(xué)習(xí)算法
源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學(xué)習(xí)算法在多目標跟蹤中的實時性問題, 提出一種基于MobileNet的多目標跟蹤算法. 借助于MobileNet深度可分離卷積能夠?qū)ι疃染W(wǎng)絡(luò)模型進行壓縮的原理, 將YOLOv3主干網(wǎng)絡(luò)替換為MobileNet, 通過將標準卷積分解為深度卷積和逐點卷積, 保留多尺度預(yù)測部分, 以有效減少參數(shù)量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進行跟蹤. 實驗結(jié)果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關(guān)鍵詞
深度學(xué)習(xí) 多目標跟蹤 目標檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標跟蹤是計算機視覺領(lǐng)域的研究熱點, 可應(yīng)用于交通監(jiān)測、安防等多個領(lǐng)域, 具有一定的應(yīng)用價值和挑戰(zhàn)性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標后再進行跟蹤; 后者需要在第1幀手動初始化目標, 然后進行跟蹤. 在目標跟蹤中, 涌現(xiàn)出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測跟蹤中體現(xiàn)出較強的優(yōu)勢.
由于深度學(xué)習(xí)的發(fā)展, 卷積神經(jīng)網(wǎng)絡(luò)模型逐漸替代了傳統(tǒng)手工設(shè)計的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時, 其網(wǎng)絡(luò)深度和尺寸也在成倍增長, 需要GPU來進行加速, 使得基于深度學(xué)習(xí)的跟蹤算法無法直接應(yīng)用于移動設(shè)備, 導(dǎo)致難以符合實時性要求. 因此降低算法復(fù)雜度、提高實時性、簡化和加速模型便成為亟待解決的問題. 文獻[8-10]使用剪枝方法對神經(jīng)網(wǎng)絡(luò)進行網(wǎng)絡(luò)壓縮. 文獻[11]提出從零開始訓(xùn)練低秩約束卷積神經(jīng)網(wǎng)絡(luò)模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 