基于多教师辅助实例自适应DNN的移动平台多目标分类方法技术

针对资源受限车辆平台上的多实例分类任务，本发明专利技术提出一种基于多教师辅助实例自适应DNN的移动平台多目标分类方法，实现检测精度与推理速度的双重优化。学生网络包括一个策略网络和一个多分支残差块检测网络。策略网络采用课程学习提取任务相关特征，动态生成匹配实例属性的路由向量。路由向量被映射到检测网络中，引导残差块自适应激活和跳过，以适应自动驾驶实例的多样性。为了增强学生网络的整体推理性能，提出一种多教师指导的联合训练框架。策略网络依赖多教师组合知识和反馈的检测结果优化路由决策，检测网络通过观察路由向量在多教师指导下微调自身参数。在数据集上的实验结果证实了本方法在面对不同复杂度的图像，均能保持网络通道的稀疏性。

【技术实现步骤摘要】

本专利技术属于人工智能技术在自动驾驶领域等移动平台中的应用，具体是一种基于多教师辅助实例自适应dnn的移动平台多目标分类方法。

技术介绍

1、以自动驾驶汽车和无人机为代表的移动平台对神经网络模型的实时性和效率提出了极高的要求。例如，自动驾驶汽车在行驶过程中需要实时处理大量传感器数据，包括摄像头图像、雷达和激光雷达(lidar)点云等。这些数据需要通过神经网络模型进行快速分析，以支持车辆的实时决策和控制。如果模型推理速度过慢，将无法及时响应道路上的变化，从而增加事故风险。考虑到自动驾驶汽车计算资源有限，尤其是在嵌入式系统中，加之车载应用的低延迟需求，传统神经网络检测框架在实时性以及需求差异化方面显得力不从心。例如，检测网络常需要30-100ms来处理一张图像，远超自动驾驶对处理延时的要求。执行监测任务的无人机也需要实时分析采集的视频。由于依赖电池供电且计算和存储能力有限，无人机平台难以支持复杂的模型推理。因此，迫切需要探索面向移动平台定制轻量化和自适应的模型，赋能移动环境下实时感知和决策。

2、提高模型推理速度主要通过模型压缩实现，如：模型剪枝[本文档来自技高网...

【技术保护点】

1.一种基于多教师辅助实例自适应DNN的移动平台多目标分类方法，步骤包括：首先，移动平台上的传感器采集图像数据；然后，这些图像数据输入到动态神经网络DNN模型进行处理，获得目标分类；

2.根据权利要求1所述的基于多教师辅助实例自适应DNN的移动平台多目标分类方法，其特征是策略网络在多教师网络的教导下生成路由向量，以决定检测网络路由；检测网络的分类结果和教师网络生成的交叉熵通过反向传播去强化策略网络；

3.根据权利要求2所述的基于多教师辅助实例自适应DNN的移动平台多目标分类方法，其特征是多教师网络中，多个教师网络知识用以指导策略网络和检测网络的参数调整；

<...

【技术特征摘要】

1.一种基于多教师辅助实例自适应dnn的移动平台多目标分类方法，步骤包括：首先，移动平台上的传感器采集图像数据；然后，这些图像数据输入到动态神经网络dnn模型进行处理，获得目标分类；

2.根据权利要求1所述的基于多教师辅助实例自适应dnn的移动平台多目标分类方法，其特征是策略网络在多教师网络的教导下生成路由向量，以决定检测网络路由；检测网络的分类结果和教师网络生成的交叉熵通过反向传播去强化策略网络；

3.根据权利要求2所述的基于多教师辅助实例自适应dnn的移动平台多目标分类方法，其特征是多教师网络中，多个教师网络知识用以指导策略网络和检测网络的参数调整；

4.根据权利要求1所述的基于多教师辅助实例自适应dnn的移动平台多目标分类方法，其特征是所述策略网络帮助预训练检测网络寻找一组最佳的残差块，即：用最少的残差块实现准确分类；

5.根据权利要求2所述的基于多教师辅助实例自适应dnn的移动平台多目标分类方法，其特征是所述残差块是多分支...

【专利技术属性】
技术研发人员：白光伟，王源一，沈航，王天荆，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：