典型文献
基于迭代稀疏训练的轻量化无人机目标检测算法
文献摘要：
随着无人机技术的成熟,配备摄像头的无人机被广泛应用于各个领域,自动高效地分析和理解从无人机收集的视觉数据非常重要.基于深度卷积神经网络的目标检测算法在许多实际应用上取得了惊人的成绩,但往往伴随着巨大的资源消耗和内存占用.因此,对于无人机上携带的计算能力受限的嵌入式设备来说,直接运行深度卷积神经网络非常具有挑战性.为了应对这些挑战,以经典的目标检测方法YOLOv3(you only look once)为例,基于迭代稀疏训练的剪枝方式可以实现有效的模型压缩,同时通过组合不同数据增强方式与相关优化手段保证压缩前后检测器精度误差在可接受范围内.实验结果证明,基于迭代稀疏训练的剪枝方法在YOLOv3上取得了非常可观的压缩效果,并且将精度误差控制在了 2％以内,为无人机目标检测实时应用提供了支持.
文献关键词：
YOLOv3算法;模型压缩;迭代稀疏训练;数据增强;精度误差小
中图分类号：
作者姓名：
侯鑫;曲国远;魏大洲;张佳程
作者机构：
中国科学院计算技术研究所 北京 100190;中国航空无线电电子研究所 上海 200241;北京邮电大学信息与通信工程学院 北京 100876
文献出处：
引用格式：
[1]侯鑫;曲国远;魏大洲;张佳程-.基于迭代稀疏训练的轻量化无人机目标检测算法)[J].计算机研究与发展,2022(04):882-893
A类：
迭代稀疏训练
B类：
无人机目标检测,目标检测算法,无人机技术,摄像头,机收,深度卷积神经网络,惊人,资源消耗,内存占用,计算能力,嵌入式设备,接运,目标检测方法,YOLOv3,you,only,look,once,模型压缩,数据增强,优化手段,检测器,剪枝方法,误差控制,精度误差小
AB值：
0.274779
相似文献
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。
