能耗优化的神经网络轻量化方法研究进展

近年来，神经网络在语音识别、计算机视觉、自然语言处理等领域都取得了良好的进展.大量的神经网络被部署于诸如手机、摄像头等依赖电池或太阳能供电的小型设备.但神经网络参数量大计算复杂，需占用大量计算资源并消耗电能，从而限制了其在资源受限平台上的应用.学术界和工业界逐渐关注于神经网络的高能耗问题.神经网络轻量化方法可以有效地减少参数数量、降低参数精度或优化计算过程从而降低神经网络能耗.本文从能耗优化的角度梳理了神经网络能耗估算方法和神经网络轻量化方法的基本思路，综述了近年来该领域主要研究成果，并提出了能耗估算和能耗优化的神经网络轻量化方法存在的挑战及进一步研究的方向.其中神经网络能耗估算方法包括测量法、分析法和估算法.能耗优化的神经网络轻量化方法包括剪枝、量化、张量分解和知识蒸馏.对于进一步研究方向我们认为，首先需要建立可自适应网络类型的能耗模型；然后需要考虑平衡精度和能耗的轻量化方法.其次需要实现硬件平台可泛化的轻量化方法；最后开发搜索空间可约束的轻量化方法.     

动态场景下移动机器人视觉SLAM

为实现动态场景下移动机器人自主定位和建图,解决传统视觉里程计方法跟踪效果差及累积误差问题,提升闭环检测的准确性和鲁棒性,提出融合深度学习的同时定位与地图构建方法。采用四叉树算法均匀化特征分布,解决动态场景特征聚集问题;通过优化的目标检测网络识别场景动态语义信息,剔除动态物体对位姿估计的干扰;充分提取场景空间结构信息,结合点特征和线特征实现位姿跟踪及回环检测,构建全局一致的环境地图。TUM数据集和真实场景实验结果表明：改进方法提升了移动机器人定位和建图的准确性和鲁棒性。     

面向3D场景智能寻路技术综述

智能寻路技术是人工智能的一个重要应用,该技术被应用到许多领域,其中在大型3D场景游戏中的应用尤为广泛。对现有智能寻路技术包括场景地图表示法、路径搜索技术分别进行了研究对比,分析每种方案的优劣势,总结了智能寻路技术的发展趋势。     

基于Petri网和GA的多目标动态优化调度问题研究

以最小化生产周期、机床负载和机床与工人的费用为调度目标,基于受控Petri网和遗传算法提出了一种多目标作业车间调度方法,用于解决作业车间的加工受到机床、操作工人双资源制约条件下的动态优化调度.首先,给出了基于Parikh矢量的Petri网控制器简化设计方法,并应用该方法构建了基于紧急订单的受控Petri网模型;然后设计了基于Pareto的遗传算法,能够获得Pareto最优解集;尤其重要的是能够针对车间的动态扰动给出相应的调度方案.最后,通过实例验证了该方法的可行性和有效性.     

基于临近空间飞行器的区域自组网优化部署算法

该文针对基于临近空间飞行器的新型区域自组织网络,提出一种优化部署方案。采用线性递减权值粒子群算法,对于临近空间飞行器节点,一个粒子代表所有飞行器节点坐标集合,以最大化网络覆盖空间的联合通信覆盖率为目标,进行节点的优化部署。对于地面骨干节点,一个粒子代表一个网络分区内骨干节点坐标,以最多覆盖节点数和最小平均跳数为目标,进行初始化。网络运行过程中根据任务区域内数据业务分布情况,以趋近数据量多、业务优先级高的区域为目标,动态调整更新地面骨干节点位置。仿真结果表明,所提方案能为上层协议的运行提供良好基础,使网络分组投递率、延迟和开销等性能得到改善。     

基于非线性扩散率归一化的GAC模型图像分割

为了消除主动轮廓模型耗时的重新初始化过程,在分析了主动轮廓曲线演化特性的基础上,引入改进的符号距离函数的约束项到变分GAG模型中,该约束项是一个非线性热方程,通过对非线性热方程扩散率的归一化,使水平集函数始终快速稳定的保持符号距离函数的特性,新算法减少了迭代次数和运行时间.另外,新算法采用灵活的初始化方法和保持曲线二维梯度和散度算子旋转不变性的离散化数值方案,提高了分割算法对模糊边缘的辨别能力.实验表明该方法是有效的,对噪声有很强的鲁棒性.     

面向自适应的组合服务动态调整方法

为了实现组合服务对异常情况的自适应,提出了一种组合服务动态调整机制.该机制将调整逻辑和BPEL执行逻辑相分离,从而能够在不扩展BPEL语言的语法和语义基础上支持组合服务的动态调整,保证了方法的适用性.建立了服务异常模型来描述服务运行过程中所面临的异常情况的类别、产生原因以及外在表现,并且在该模型的基础上给出了异常监控策略.提出了组合服务替换范围确定算法和调整方案生成启发式算法,保证了组合服务动态调整的效率.系统实现和实验验证了提出的组合服务动态调整方法的有效性.     

基于图像相关性的混沌图像加密算法

利用图像相邻像素间的相关性,提出了一种将4个相邻的像素点"分而治之"的方法,对传统混沌加密框架中的置乱过程进行改进.首先对相邻的像素点进行分离,对分离后的4组像素点使用4组不同参数的"猫映射"进行置乱,最后再进行组合和扩散操作.模拟结果表明,该算法在保证加密算法安全性的前提下,减少了加密算法中置乱操作的次数,从而有效地减少了加密时间.