.png){kind=icon}
返回
An automatic pruning method for SAR target detection based on multitask reinforcement learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jag.2025.104553.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于深度学习方法的合成孔径雷达（SAR）目标检测研究在模型精度方面取得了显著进展。然而，模型大小和计算复杂度方面的限制仍然存在，这使得模型在边缘设备上的部署具有挑战性，限制了其实际应用。为此，本文提出了一种基于多任务强化学习的SAR目标检测模型自动剪枝方法，称为SARRLP。首先，设计了一种用于深度学习SAR目标检测模型网络结构的自动分组策略（GSP）。模型的网络结构与分组耦合，同一组具有统一的剪枝布局。耦合后的分组根据最大熵原则进行排序，以实现SAR目标检测模型的全流程剪枝。其次，设计了一种基于多任务强化学习的自动剪枝策略搜索方法（RLAS）。该方法自动搜索每种网络结构的最佳剪枝策略，并构建了基于熵的多任务奖励函数MOR，以引导RLAS在边缘精度、稀疏度和模型特征通道熵的约束下搜索最优剪枝策略。基于SSDD和HRSID的实验结果表明，SARRLP方法能够实现自动最优剪枝检测模型。以YOLOv5s为基准模型，剪枝率为75%时，SSDD和HRSID数据集的精度分别降低0/0.4，推理速度分别提升184.4/106.2帧每秒。
Keyword:
Synthetic aperture radar (SAR) target detection
Reinforcement learning
Model compression
Automatic pruning
期刊
IF:
8.6
论文数:
5.4K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
LHSDNet: A Lightweight and High-Accuracy SAR Ship Object Detection AlgorithmLHSDNet：一种轻量级和高精度的SAR船舶目标检测算法
OAAI
OAAI分享收藏GAF-Net: Geometric Contextual Feature Aggregation and Adaptive Fusion for Large-Scale Point Cloud Semantic SegmentationGaf-net: 大规模点云语义分割的几何上下文特征聚合与自适应融合
PREAI
分享收藏Absorption Pruning of Deep Neural Network for Object Detection in Remote Sensing Imagery面向遥感影像目标检测的深度神经网络吸收剪枝OAAI
OAAI分享收藏分享收藏
查看更多内容