《表1 YOLOv3-Tiny量化结果》
低比特神经网络的建立需要多轮训练。首先,使用全精度浮点形式从零开始训练网络至收敛;随后,对卷积层做低比特量化处理;然后,对卷积层和紧邻的全精度批归一化层进行融合,并再次量化;最后,对量化时的缩放因子进行比特移位量化。表1给出了YOLOv3-Tiny在红外数据集上量化后的精度,最终FPGA板上平均准确率(Mean Average Precision,mAP)损失控制在了7.1%。三类不同大小、不同数量的红外目标识别结果如图7所示。得益于本文提出的在训练中可变的缩放因子,可以看出,在权重限制在两个比特的情况下,对不同场景下的红外目标仍能提供准确的预测结果。
图表编号 | XD00194022600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.25 |
作者 | 黄家明、陈寰、史庆杰、陈海宝 |
绘制单位 | 上海交通大学电子信息与电气工程学院、上海航天控制技术研究所、上海航天控制技术研究所、上海交通大学电子信息与电气工程学院 |
更多格式 | 高清、无水印(增值服务) |