基于方向感知的轻量级卷积神经网络设计结题报告.docVIP

基于方向感知的轻量级卷积神经网络设计结题报告

一、研究背景与问题提出

在计算机视觉领域，卷积神经网络（CNN）凭借其强大的特征提取能力，已成为图像分类、目标检测、语义分割等任务的核心技术。然而，随着移动互联网和物联网的快速发展，越来越多的视觉任务需要在资源受限的边缘设备（如智能手机、嵌入式设备、无人机等）上实时运行。传统的深层CNN模型（如VGG、ResNet等）虽然精度较高，但模型参数量大、计算复杂度高，难以满足边缘设备对计算资源和功耗的严格要求。

与此同时，现有的轻量级CNN模型（如MobileNet、ShuffleNet等）主要通过深度可分离卷积、通道混洗等技术来减少模型参数和计算量，但在特征提取过程中往往忽略了图像中的方向信息。图像中的边缘、纹理等重要特征通常具有明显的方向性，如水平、垂直、45度、135度等，这些方向信息对于提高模型的特征表达能力至关重要。因此，如何在保持模型轻量级的同时，有效捕捉图像中的方向信息，成为当前轻量级CNN研究中的一个关键问题。

二、相关研究现状

（一）轻量级卷积神经网络研究现状

为了实现CNN模型的轻量化，研究者们提出了多种有效的方法，主要可以分为以下几类：

模型压缩与加速技术：这类方法通过对预训练的深层模型进行压缩和加速，以减少模型的参数量和计算量。常见的技术包括模型剪枝、量化、知识蒸馏等。模型剪枝通过去除模型中冗余的参数和连接来减小模型规