arrow
返回

Task-specific CNN size reduction through content-specific pruning

delete2025-10-01
delete0
delete
OA
AI
N
Nurbek Konyrbaev *
M
Martin Lukáč *
S
Sabit Ibadulla *
A
Askhat Diveev
E
Elena Sofronova
A
Asem Galymzhankyzy
DOI:10.3389/frobt.2025.1552068delete
delete原文链接
delete分享
delete收藏
查看原文
摘要

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

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
Frontiers in Robotics and AI
IF:
3
论文数:
787
被引数:
7.2K

机构

R
rudn university
学者数:
29
论文数: 15
被引数: 40
H
hiroshima city university
学者数:
5
论文数: 4
被引数: 24
K
Korkyt Ata Kyzylorda University
学者数:
4
论文数: 3
被引数: 9
学者 查看更多机构
引用论文

引用论文

err分享
err收藏
Empirical Power Consumption Model for UAVs无人机经验功耗模型
err2018-08-01
err48
PREAI
errAbeywickrama, Hasini Viranga; Jayawickrama, Beeshanga Abewardana; He, Ying; Dutkiewicz, Eryk
err分享
err收藏
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
err2020-08-01
err50
errOAAI
errDai, Xi; Mao, Yuxin; Huang, Tianpeng; Qin, Na; Huang, Deqing; Li, Yanan
err分享
err收藏
学者 查看更多内容