科研之友
微信
新浪微博
Facebook
分享链接
摘要
复杂地面战场环境下的自主目标识别是未来无人车实现智能化作战的关键技术。如何将基于深度学习的自主目标识别算法进行资源受限情况下的嵌入式计算平台部署应用，已成为目前无人车智能化赋能亟待解决的核心问题。以用于地面自主目标识别的YOLOv5深度神经网络结构为基础，提出一种基于改进型注意力模块和BatchNorm层的多正则项自适应网络裁剪算法，在裁剪与训练的协同过程中实现网络结构的最优化裁剪；设计一种对权重实施不饱和映射以及对激活值实施饱和映射的组合式训练后INT8量化算法。将压缩优化后的YOLOv5x网络在基于Zynq UltraScale+MPSoC架构的嵌入式计算平台上进行应用部署及验证。验证结果表明：YOLOv5x网络在通道裁剪40%和INT8量化时，红外目标识别精度仅减少0.374%,可见光目标识别精度提升0.065%,目标识别帧频均可达到25帧/s,能够满足无人车复杂战场环境下自主目标识别的准确度及实时性要求；自主目标识别神经网络压缩优化算法可扩展应用于无人机、精确制导武器等其他作战平台。
- 出版日期2023
- 单位西北工业大学
