利用通道剪枝技术的实时实例分割方法

随着实例分割技术在各种场景中的应用越来越广泛,运行速度和硬件资源占用是该技术在应用中需要考虑的2个重要因素。最近提出的基于图像原型掩码系数的实例分割网络(YOLACT)在运行速度方面做得很好,但是需要设置较大的特征提取网络才能保证分割精确度,这就导致了模型占用的硬件资源较多,同时运行速度也受到了限制。在YOLACT的基础上,提出一种新的模型,对实例分割的特征提取网络进行了优化,先使用基于批量归一化层放缩因子的通道剪枝方法对YOLACT网络进行压缩,然后对压缩后的卷积层和批量归一化层进行融合,最后,在COCO val2017上对本文提出的方法进行了评估。实验结果表明,相比原始的YOLACT网络,该方法的模型文件大小可以减少56.9%,运行速度提升28.6%,运行时显存占用也降低了13.6%,有效地减少了硬件资源占用,并且提升了运行速度。     

基于混合遗传蚁群算法的数字微流控芯片测试路径规划

数字微流控芯片在生化检测领域的应用越来越广泛,为保障芯片的可靠性必须对其进行全面且高效的故障测试。随着芯片规模的扩大,故障测试问题也越来越复杂。针对数字微流控芯片的灾难性故障测试,为提高故障测试方法的时间效率,本文提出了一种基于混合遗传蚁群算法的测试路径规划方案。首先,该方案优化了芯片故障测试模型的转化过程;其次,先利用遗传算法的全局特性生成全局较优测试路径,并根据较优测试路径形成蚁群算法的初始信息素分布;最后,再利用蚁群算法搜索最优测试路径。该方案适用于离线测试和在线测试,能够兼容规则和非规则芯片。实验仿真结果表明,该方案提高了测试模型转化的效率,在获得较优测试路径的同时改善了测试算法的收敛特性,提高了测试方法的时间效率。