公开(公告)号：CN111598108A

公开(公告)日：2020-08-28

申请号：CN202010319916.9

申请日：2020-04-22

Applicant: 南开大学

Inventor： 刘云 ,  张鑫禹 ,  程明明

IPC: G06K9/46 ,  G06K9/62 ,  G06N3/04

Abstract: 一种基于立体注意力控制的多尺度神经网络的快速显著性物体检测方法。该方法的目的是设计一个用于显著性物体检测的轻量级卷积神经网络。该方法通过一个多分支的结构来提取多尺度的卷积特征，每个分支是具有不同膨胀率的深度可分离卷积；将所有分支的卷积特征相加，用一个立体注意力单元来为每个分支计算注意力图；然后将计算得到的注意力图和每个分支的特征分别相乘，把各个分支相乘后的结果相加，并加上残差连接，构成一个立体注意力控制的多尺度卷积模块；最后，将该多尺度模块堆叠起来，构成深度卷积神经网络，对自然图像进行显著性物体检测。实验表明，相对于已有的方法，本发明方法的速度更快、参数更少、计算量更少并且精度相似。

公开(公告)号：CN111260034A

公开(公告)日：2020-06-09

申请号：CN202010046252.3

申请日：2020-01-16

Applicant: 南开大学

Inventor： 张鑫禹 ,  赵凯 ,  韩琦 ,  程明明

IPC: G06N3/04 ,  G06N3/08

Abstract: 基于神经网络相邻结构依存关系的网络剪枝方法，属于神经网络模型压缩领域，该方法包含如下步骤：a)网络的通道重要性由卷积层和相邻的批量归一化(BN)层的参数共同决定；b)在某一层内部比较通道重要性，以确定待剪枝的通道；c)动态调整稀疏性正则系数，以达到预先指定的稀疏程度。使用该方法进行网络剪枝，可以得到更高的剪枝后性能，更优的剪枝后网络结构和更好的稳定性。