排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
随着万物互联时代的到来,具备目标检测能力的物联网设备数量呈爆炸式增长。基于此,网络边缘产生了海量的实时数据,具有低时延、低带宽成本和高安全性特点的边缘计算随之成为一种新兴的计算模式。传统的深度学习方法通常假定在模型训练前所有数据已完全具备,然而实际的边缘计算场景中大量的新数据及类别往往随时间逐渐产生和获得。为了在训练数据成批积累和更新的条件下在资源有限的边缘设备上高效率地完成目标检测任务,本文提出了基于多中间层知识蒸馏的增量学习方法(Incremental Learning method based on knowledge distillation of Multiple Intermediate Layers,ILMIL)。首先为了能够适当地保留原有数据中的知识,提出了包含多个网络中间层知识的蒸馏指标(Multi-layer Feature map、RPN and RCN Knowledge,MFRRK)。ILMIL将教师模型和学生模型的中间层特征的差异加入模型训练,相比于现有的基于知识蒸馏方法的增量学习,采用ILMIL方法训练的学生模型可以从教师模型的中间层学习到更多的旧类信息来缓解遗忘;其次ILMIL利用MFRRK蒸馏知识完成现有模型的增量训练,避免训练使用多个独立模型带来的资源开销;为进一步降低模型复杂度以高效地在边缘设备上部署推理,可在知识蒸馏前进行剪枝操作来压缩现有模型。通过在不同场景和条件下的实验对比,本文方法可在有效降低模型计算和存储开销的前提下,缓解已有知识的灾难性遗忘现象,并维持可接受的推理精度。 相似文献
2.
3.
根据电导率变化原理设计了双平行电导探针,并采用该探针对新型旋风分离器内的液膜分布进行了研究。通过对不同结构参数和操作条件的研究发现,液膜沿筒体呈不对称分布,入口附近截面上的液膜随着轴向距离的增大其最厚值点沿圆周后移,液膜呈螺旋带状下行;发展后的液膜厚度在不同截面的最大值在160°左右的圆周角度处。研究还表明,随着处理负荷的增加,切向速度增大,液膜的分布区域变大,有利于分离效率的提高,但整体液膜厚度变薄,不利于减缓筒壁的磨损;入口角度的变化对撞击区附近的液膜分布影响较大,入口角度越大,切向力在径向上的分量越小,液膜的分布范围越小;另外,随着升气管直径的增加,由于分离空间变小,整体液膜厚度增加。 相似文献
4.
以煤气化飞灰、空气、水为实验介质,研究了固阀塔板的洗涤特性。通过改变洗涤塔入口和塔内操作条件观察其对洗涤效率的影响规律。实验结果表明气量、液量、颗粒浓度以及塔板数对不同粒径飞灰颗粒的洗涤效率均有较大的影响;固阀塔板对大于10μm的飞灰颗粒洗涤效率可以达到90%以上,随着粒径的降低洗涤效率逐渐降低,颗粒粒径在1~3μm之间洗涤效率最低为52%左右;低于1μm的颗粒,随着粒径的降低洗涤效率逐渐升高。不同粒径飞灰颗粒的洗涤效率随气量增加呈现不同的变化趋势,其中3μm以上颗粒的洗涤效率随气量的增加而增大;而1μm以下颗粒的洗涤效率随着气量的增加,洗涤效率逐渐降低;介于1~3μm间的颗粒洗涤效率受气量变化影响较小。不同粒径颗粒的洗涤效率随液量的增加均增大;随入口颗粒浓度增加,5μm以上颗粒洗涤效率略有增加,但3μm以下颗粒随入口颗粒浓度的增加洗涤效率却显著降低,介于3~5μm之间的颗粒洗涤效率变化不大。各层塔板对飞灰颗粒洗涤效率的贡献不同,且在不同层塔板上洗涤效率随粒径变化的趋势也有较大的差异。利用实验结果拟合出预测板式塔洗涤效率的公式,该公式预测值与实验值相符程度较好。 相似文献
1