联邦学习通信开销研究综述

为了解决数据共享需求与隐私保护要求之间不可调和的矛盾,联邦学习应运而生.联邦学习作为一种分布式机器学习,其中的参与方与中央服务器之间需要不断交换大量模型参数,而这造成了较大通信开销;同时,联邦学习越来越多地部署在通信带宽有限、电量有限的移动设备上,而有限的网络带宽和激增的客户端数量会使通信瓶颈加剧.针对联邦学习的通信瓶...     

基于模型压缩的YOLOV3实时枪支识别方法

以枪支为代表的危险目标检测一直是安防领域的重要研究之一。针对当前人工通过监控视频检 查枪支等危险物效率低且准确率易受检查人员工作时长影响的问题,提出了利用剪枝方法对 YOLOV3 模型做 压缩的实时枪支检测方法。采用 K-means ++算法对图像样本进行锚定框 Anchor 大小聚类,以提高模型精度。 利用“通道+层”剪枝方法将训练后的模型进行压缩,通过模型修正恢复压缩前的精度。实验结果表明,该方 法在保持较高精度的情况下,不仅降低了模型对内存资源的占用,且进一步减少计算量,大大提高了模型推理 速度。与 YOLOV3 方法相比,该方法在 jetson nano 平台上对模型参数的缩减比例达到 1/52,推理速度提高了 6 倍,而精确度几乎保持不变,从而达到对枪支危险物检测的实时性和高精度要求。