[发明专利]针对资源受限设备视频处理的深度学习网络裁剪方法在审
| 申请号： | 202010931287.5 | 申请日： | 2020-09-07 |
| 公开（公告）号： | CN112116089A | 公开（公告）日： | 2020-12-22 |
| 发明（设计）人： | 纪程;吴超;薛春;周明亮 | 申请（专利权）人： | 南京理工大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06N3/04 |
| 代理公司： | 南京理工大学专利中心 32203 | 代理人： | 岑丹 |
| 地址： | 210094 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 针对 资源 受限 设备 视频 处理 深度 学习 网络 裁剪 方法 | ||
【权利要求书】：
1.一种针对资源受限设备视频处理的深度学习网络裁剪方法，其特征在于，具体步骤为：
步骤1：根据网络收敛精度，确定子网络个数；
步骤2：根据确定的子网络个数将深度学习网络分成若干个独立子网络；
步骤3：采用group LASSO算法对每个子网络进行稀疏化处理，使可裁剪的网络权重逼近0；
步骤4：计算每一个子网络的所有权重和，将权重和小于设定阈值的子网络进行裁剪。
2.根据权利要求1所述的针对资源受限设备视频处理的深度学习网络裁剪方法，其特征在于，根据网络收敛精度，确定子网络个数的具体方法为：
在深度学习网络训练过程中，从2开始递增子网络的个数，并确定对应的网络收敛精度，当网络收敛精度下降到设定阈值，停止递增，选择收敛精度高于设定阈值的子网络个数为确定子网络个数。
3.根据权利要求1所述的针对资源受限设备视频处理的深度学习网络裁剪方法，其特征在于，在训练过程中反向传播时，利用下式对子网络进行训练：
其中，L(Θ)是稀疏化的训练目标，Lo(θ)，是神经网络原始训练方程，R(Θ)是针对每一个网络权重Θ的非结构化正则项，是L2正则项，γ和γg分别是L1惩罚系数和L2惩罚系数。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京理工大学，未经南京理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202010931287.5/1.html，转载请声明来源钻瓜专利网。
