返回
Task-specific CNN size reduction through content-specific pruning
DOI:10.3389/frobt.2025.1552068.png)
摘要
En 中文
飞行无人 aerial vehicle(UAV)的广泛且日益增长的使用归因于其高空间移动性、自主控制以及与常规载人飞行器相比的较低成本。诸如使用专用传感器的环境测绘、搜索或扫描等应用,已在农业、地理、林业和生物学等领域广泛使用UAV。然而,由于UAV的应用和类型众多,在为目标UAV设计任务专用软件时必须考虑有限的功率。特别是,小型UAV的功率限制通常会要求通过限制功能、减少其移动半径或提高其自主性来降低功耗。减少机载控制与决策软件的开销是提高UAV自主性的一种方法。具体而言,我们可以使机载控制软件更高效且专注于特定任务,这意味着它所需的计算能力将低于通用算法。在本工作中,我们专注于减小计算机视觉目标分类算法的规模。我们通过指定UAV必须识别的对象来定义不同任务,并为每个特定分类构建卷积神经网络(CNN)。然而,我们并非创建需要专用数据集的自定义CNN,而是从预训练的通用分类器开始。随后,我们选择特定的对象组进行识别,并通过响应基剪枝(RBP)简化通用CNN以适应我们的特定需求。我们在各种场景中评估了剪枝后的模型。结果表明,评估的任务专用剪枝能够减小神经模型的尺寸并提高分类任务的精度。对于用于视觉内容减少任务的小型UAV,所提出的方法解决了尺寸减小和个体模型训练问题。
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
F
IF:
3
论文数:
787
被引数:
7.2K
机构
引用论文
Convolutional neural network for UAV image processing and navigation in tree plantations based on deep learning基于深度学习的用于无人机图像处理和林植园导航的卷积神经网络
SODCNN: A Convolutional Neural Network Model for Small Object Detection in Drone-Captured ImagesSODCNN: 用于无人机捕获图像中小物体检测的卷积神经网络模型
DRONES
IF4.8
Automatic obstacle avoidance of quadrotor UAV via CNN-based learning基于CNN学习的四旋翼无人机自动避障
NEUROCOMPUTING
IF6.5

