基于嵌入式平台的卷积神经网络压缩加速方法

针对一般无人车或无人机平台算力较低，无法运行较大的深度神经网络目标检测模型，或者即使能运行也无法达到实时目标检测的问题，提出了基于特定嵌入式平台的轻量级卷积神经网络压缩加速方法，在结构中引入attention机制，采用分组卷积与快速卷积结构使模型推理速度加快，并通过知识蒸馏学习当前SOTA目标检测模型Fast的目标检测能力，最后通过后统计量化方法将推理模型进一步压缩提速，让模型在保持大型目标检测网络检测精度的同时，在嵌入式平台上也达到高精度实时运行的能力。在Nano无人车平台上，使用PASCAL VOC、ImageNet数据集对压缩后的目标检测模型进行实验验证。结果表明，模型参数量减少40%，平均精度均值（mean Average Precision,mAP）仅损失0.7%，每秒帧数（Frame Per Second,FPS）提升45%，并可在无人车上实时运行。