面向手持稳定器的嵌入式目标检测与追踪系统设计与实现
这是一篇关于手持稳定器,嵌入式系统,结构化剪枝,目标检测,目标跟踪的论文, 主要内容为随着计算机视觉、目标跟踪等技术的发展,普通机械结构的手持稳定器越来越无法满足人们对其更好辅助拍摄的需求。建立智能视觉系统是手持稳定器智能化的重要一步,其主要功能为对摄像机采集的图像进行自动检测与追踪,帮助拍摄者更好地完成拍摄工作。但是一般而言,拍摄的场景都是处于移动状态下,受到距离和网络环境等因素的影响,无法做到使用电脑或者网络实现对目标的检测跟踪,而直接在嵌入式平台搭建智能视觉系统上可以很好地解决这一难题。因此本文从嵌入式技术着手,结合目标检测与跟踪技术,面向手持稳定器,设计并实现了一个面向手持稳定器的嵌入式目标检测与跟踪系统,以满足稳定器在某些环境下对拍摄目标自动检测和跟踪的需求,主要的研究内容有以下几个方面:(1)现有的基于卷积神经网络的目标检测模型,往往对计算能力和存储能力要求过高,因此提出了一种基于卷积神经网络的结构化剪枝方法,以压缩模型实现在嵌入式设备上的部署。在卷积层后添加中间图特征分析框架,计算卷积核的重要程度,并且对阈值下的卷积核裁剪,可以实现对模型的压缩。(2)在稳定器智能视觉系统的目标检测部分,提出了一种更适合嵌入式设备部署的YOLOv5s-Embedded目标检测框架。首先,利用Mobile Net深度可分离卷积的思想,修改YOLOv5s主干网络结构。同时结合结构化剪枝方法,对其进行进一步的压缩,得到更适合在嵌入式设备上运行的目标检测网络。(3)在稳定器智能视觉系统的目标跟踪部分,针对KCF目标跟踪算法,结合目标检测网络,提出了改进的KCF目标跟踪算法。首先利用目标检测架构对视频流进行检测,得到需要跟踪目标的特征,然后利用KCF算法进行跟踪。当跟踪目标出现遮挡、丢失等问题时,利用检测算法对图像进行重检测,通过最大Io U(Intersection over Union)确定跟踪目标,刷新跟踪区域继续跟踪。(4)为了验证所提目标检测和跟踪算法的有效性,结合手持稳定器的实际应用场景,搭建了面向手持稳定器的视觉系统验证平台。硬件上,对系统舵机等各部分进行了选型。软件上,设计了系统整体架构,利用Flask、VUE框架实现了web端系统开发,同时与硬件结合完成了实时目标检测追踪界面展示。最后对本文系统进行了实验与分析,证明了系统的实用性。
增强线性表示冗余的卷积神经网络结构化剪枝
这是一篇关于模型压缩,结构化剪枝,卷积核剪枝,线性表示冗余,通道选择机制的论文, 主要内容为深度神经网络是当前人工智能领域最重要的研究分支,这一分支受到了学术界和工业节的极大关注。在过去的几十年中,随着互联网以及电子设备的发展,人们收集数据的能力获得了令人惊叹的进步。同时,在硬件的计算能力和存储技术方面所取得的重大突破为深度神经网络提供了其所必需的物质基础条件,促进了深度神经网络乃至整个人工智能领域的普及和繁荣。随着人们对深度神经网络的研究日益精进,深度神经网络呈现出一种逐步加深和加宽的趋势,通常这会为我们带来更强大的模型表示能力以及更高目标任务精度。但是,这也使得模型的参数量以及模型推理所需要的计算量急剧增加。模型的部署要求变得更为严苛,无法在硬件尺寸受限的场景下进行普及,例如移动设备、嵌入式系统等。庞大的计算量也使得模型的响应速度变得更慢,无法适应对于实时性要求较高的应用场景。过高的硬件要求也显著提高了学术研究、工业生产、商业应用的门槛,使得深度神经网络只能在资金充沛的少量高等院校以及一些顶尖大型的公司才能找到其生长所需的土壤。为了解决上述问题,模型压缩技术伴随着深度神经网络的发展而发展,是十分重要的研究课题并且将被长期的研究下去。结构化剪枝是模型剪枝技术的一个新兴重要分支。结构化剪枝可以很好的利用蓬勃发展的硬件并行计算技术所带来的优势,因而优于非结构化剪枝技术。为了获得更好的结构化剪枝表现,本文首先提出了一种数据驱动的损失函数项,该损失函数项通过计算卷积神经网络某一隐藏层的不同卷积核所输出的所有通道之间的相关系数进行构建,命名为CCM-loss。这个损失函数项可以鼓励神经网络在训练过程中自发的学习到更多的特征图通道之间的线性表示冗余。在不降低目标任务精度的前提下,CCM-loss为我们提供了专注于生成零冗余的基于L*-norm的损失函数项之外的另一种普适性的且用于在训练过程中生成更多冗余的靶向先验性数学工具。进一步的,为了开发利用CCM-loss的最大潜能,本文设计了与之相匹配的一种新型通道选择策略,该策略是一种基于主成分分析的方法。在新策略中,我们首要关注流经网络的信息流主成分的一致性和完整性。与以往工作中依照经验为每一层硬编码保留比,在剪枝开始时限定剪枝后的目标模型尺寸不同,本文所提出的通道选择策略可以动态的针对每一个不同预训练网络的实际情况自动为其中每一层选择合适的通道保留率,从而试图将剪枝率推向极限,同时试图最大限度地保留有效信息。实验结果表明,在CIFAR-10数据集上,使用本文方法进行剪枝的VGG-16模型可以在仅保留1.40M参数和49.60M FLOPs的目标模型中获得93.64%的准确率,与压缩前的原始网络相比,参数量和FLOPs分别下降了90.6%和84.2%。此外,在Res Net-56和Res Net-110模型的相关试验中,使用本文方法,我们证实了即使在模型某些层中仅保留一个通道,模型的准确率依然可以保持在很高的水平。
面向手持稳定器的嵌入式目标检测与追踪系统设计与实现
这是一篇关于手持稳定器,嵌入式系统,结构化剪枝,目标检测,目标跟踪的论文, 主要内容为随着计算机视觉、目标跟踪等技术的发展,普通机械结构的手持稳定器越来越无法满足人们对其更好辅助拍摄的需求。建立智能视觉系统是手持稳定器智能化的重要一步,其主要功能为对摄像机采集的图像进行自动检测与追踪,帮助拍摄者更好地完成拍摄工作。但是一般而言,拍摄的场景都是处于移动状态下,受到距离和网络环境等因素的影响,无法做到使用电脑或者网络实现对目标的检测跟踪,而直接在嵌入式平台搭建智能视觉系统上可以很好地解决这一难题。因此本文从嵌入式技术着手,结合目标检测与跟踪技术,面向手持稳定器,设计并实现了一个面向手持稳定器的嵌入式目标检测与跟踪系统,以满足稳定器在某些环境下对拍摄目标自动检测和跟踪的需求,主要的研究内容有以下几个方面:(1)现有的基于卷积神经网络的目标检测模型,往往对计算能力和存储能力要求过高,因此提出了一种基于卷积神经网络的结构化剪枝方法,以压缩模型实现在嵌入式设备上的部署。在卷积层后添加中间图特征分析框架,计算卷积核的重要程度,并且对阈值下的卷积核裁剪,可以实现对模型的压缩。(2)在稳定器智能视觉系统的目标检测部分,提出了一种更适合嵌入式设备部署的YOLOv5s-Embedded目标检测框架。首先,利用Mobile Net深度可分离卷积的思想,修改YOLOv5s主干网络结构。同时结合结构化剪枝方法,对其进行进一步的压缩,得到更适合在嵌入式设备上运行的目标检测网络。(3)在稳定器智能视觉系统的目标跟踪部分,针对KCF目标跟踪算法,结合目标检测网络,提出了改进的KCF目标跟踪算法。首先利用目标检测架构对视频流进行检测,得到需要跟踪目标的特征,然后利用KCF算法进行跟踪。当跟踪目标出现遮挡、丢失等问题时,利用检测算法对图像进行重检测,通过最大Io U(Intersection over Union)确定跟踪目标,刷新跟踪区域继续跟踪。(4)为了验证所提目标检测和跟踪算法的有效性,结合手持稳定器的实际应用场景,搭建了面向手持稳定器的视觉系统验证平台。硬件上,对系统舵机等各部分进行了选型。软件上,设计了系统整体架构,利用Flask、VUE框架实现了web端系统开发,同时与硬件结合完成了实时目标检测追踪界面展示。最后对本文系统进行了实验与分析,证明了系统的实用性。
面向手持稳定器的嵌入式目标检测与追踪系统设计与实现
这是一篇关于手持稳定器,嵌入式系统,结构化剪枝,目标检测,目标跟踪的论文, 主要内容为随着计算机视觉、目标跟踪等技术的发展,普通机械结构的手持稳定器越来越无法满足人们对其更好辅助拍摄的需求。建立智能视觉系统是手持稳定器智能化的重要一步,其主要功能为对摄像机采集的图像进行自动检测与追踪,帮助拍摄者更好地完成拍摄工作。但是一般而言,拍摄的场景都是处于移动状态下,受到距离和网络环境等因素的影响,无法做到使用电脑或者网络实现对目标的检测跟踪,而直接在嵌入式平台搭建智能视觉系统上可以很好地解决这一难题。因此本文从嵌入式技术着手,结合目标检测与跟踪技术,面向手持稳定器,设计并实现了一个面向手持稳定器的嵌入式目标检测与跟踪系统,以满足稳定器在某些环境下对拍摄目标自动检测和跟踪的需求,主要的研究内容有以下几个方面:(1)现有的基于卷积神经网络的目标检测模型,往往对计算能力和存储能力要求过高,因此提出了一种基于卷积神经网络的结构化剪枝方法,以压缩模型实现在嵌入式设备上的部署。在卷积层后添加中间图特征分析框架,计算卷积核的重要程度,并且对阈值下的卷积核裁剪,可以实现对模型的压缩。(2)在稳定器智能视觉系统的目标检测部分,提出了一种更适合嵌入式设备部署的YOLOv5s-Embedded目标检测框架。首先,利用Mobile Net深度可分离卷积的思想,修改YOLOv5s主干网络结构。同时结合结构化剪枝方法,对其进行进一步的压缩,得到更适合在嵌入式设备上运行的目标检测网络。(3)在稳定器智能视觉系统的目标跟踪部分,针对KCF目标跟踪算法,结合目标检测网络,提出了改进的KCF目标跟踪算法。首先利用目标检测架构对视频流进行检测,得到需要跟踪目标的特征,然后利用KCF算法进行跟踪。当跟踪目标出现遮挡、丢失等问题时,利用检测算法对图像进行重检测,通过最大Io U(Intersection over Union)确定跟踪目标,刷新跟踪区域继续跟踪。(4)为了验证所提目标检测和跟踪算法的有效性,结合手持稳定器的实际应用场景,搭建了面向手持稳定器的视觉系统验证平台。硬件上,对系统舵机等各部分进行了选型。软件上,设计了系统整体架构,利用Flask、VUE框架实现了web端系统开发,同时与硬件结合完成了实时目标检测追踪界面展示。最后对本文系统进行了实验与分析,证明了系统的实用性。
面向手持稳定器的嵌入式目标检测与追踪系统设计与实现
这是一篇关于手持稳定器,嵌入式系统,结构化剪枝,目标检测,目标跟踪的论文, 主要内容为随着计算机视觉、目标跟踪等技术的发展,普通机械结构的手持稳定器越来越无法满足人们对其更好辅助拍摄的需求。建立智能视觉系统是手持稳定器智能化的重要一步,其主要功能为对摄像机采集的图像进行自动检测与追踪,帮助拍摄者更好地完成拍摄工作。但是一般而言,拍摄的场景都是处于移动状态下,受到距离和网络环境等因素的影响,无法做到使用电脑或者网络实现对目标的检测跟踪,而直接在嵌入式平台搭建智能视觉系统上可以很好地解决这一难题。因此本文从嵌入式技术着手,结合目标检测与跟踪技术,面向手持稳定器,设计并实现了一个面向手持稳定器的嵌入式目标检测与跟踪系统,以满足稳定器在某些环境下对拍摄目标自动检测和跟踪的需求,主要的研究内容有以下几个方面:(1)现有的基于卷积神经网络的目标检测模型,往往对计算能力和存储能力要求过高,因此提出了一种基于卷积神经网络的结构化剪枝方法,以压缩模型实现在嵌入式设备上的部署。在卷积层后添加中间图特征分析框架,计算卷积核的重要程度,并且对阈值下的卷积核裁剪,可以实现对模型的压缩。(2)在稳定器智能视觉系统的目标检测部分,提出了一种更适合嵌入式设备部署的YOLOv5s-Embedded目标检测框架。首先,利用Mobile Net深度可分离卷积的思想,修改YOLOv5s主干网络结构。同时结合结构化剪枝方法,对其进行进一步的压缩,得到更适合在嵌入式设备上运行的目标检测网络。(3)在稳定器智能视觉系统的目标跟踪部分,针对KCF目标跟踪算法,结合目标检测网络,提出了改进的KCF目标跟踪算法。首先利用目标检测架构对视频流进行检测,得到需要跟踪目标的特征,然后利用KCF算法进行跟踪。当跟踪目标出现遮挡、丢失等问题时,利用检测算法对图像进行重检测,通过最大Io U(Intersection over Union)确定跟踪目标,刷新跟踪区域继续跟踪。(4)为了验证所提目标检测和跟踪算法的有效性,结合手持稳定器的实际应用场景,搭建了面向手持稳定器的视觉系统验证平台。硬件上,对系统舵机等各部分进行了选型。软件上,设计了系统整体架构,利用Flask、VUE框架实现了web端系统开发,同时与硬件结合完成了实时目标检测追踪界面展示。最后对本文系统进行了实验与分析,证明了系统的实用性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码港湾 ，原文地址：https://m.bishedaima.com/lunwen/52466.html
