結(jié)合二值化神經(jīng)網(wǎng)絡(luò)與知識(shí)蒸餾的輕量型水聲目標(biāo)識(shí)別算法

摘要： 基于深度學(xué)習(xí)的水下聲學(xué)目標(biāo)識(shí)別算法在水下平臺(tái)部署時(shí),通常面臨計(jì)算資源短缺和水下聲學(xué)環(huán)境復(fù)雜多變的挑戰(zhàn),提出一種結(jié)合二值化神經(jīng)網(wǎng)絡(luò)與知識(shí)蒸餾的輕量型水聲目標(biāo)識(shí)別算法(DSBNN＿KD),旨在通過深度可分離卷積和權(quán)重參數(shù)二值化等手段實(shí)現(xiàn)模型的壓縮和優(yōu)化加速.同時(shí),利用知識(shí)蒸餾技術(shù)將高性能高復(fù)雜度的教師模型的知識(shí)轉(zhuǎn)移到輕量級(jí)學(xué)生模型上,從而緩解極端量化帶來的性能損失,并確保模型的泛化... （共9頁(yè)）