来源：期刊VIP网 时间：
作者：朱秋慧;杨靖;黄若愚;吴复忠;刘影;颜非亚;
单位：贵州大学电气工程学院;贵州省“互联网+”协同智能制造重点实验室;贵阳铝镁设计研究院有限公司;贵州大学材料与冶金学院;贵州电网有限责任公司电网规划研究中心;
摘要：针对现有神经网络模型计算效率低、推理时延偏大等问题，提出一种基于部分卷积(Partial Convolution, PConv)的多尺度特征卷积神经网络(PConv-based Multi-scale feature Convolutional Neural Network, MPCNet)模型。对输入特征图执行PConv,可有效降低模型冗余计算与存储访问开销，提升运行效率。采用多分支结构弥补掩码处理丢失的有效信息，结合自适应注意力机制，动态调整不同特征权重，增强全局信息捕获能力，经特征融合后提升模型精度。在茎干阶段引入多层卷积，以提取特征图中更多纹理特征。在公共数据集Tiny-Imagenet-200、CIFAR-10、CIFAR-100及私有铝合金锭表面缺陷数据集上开展对比验证。实验结果表明，MPCNet模型在速度与精度之间实现良好均衡。
关键词：卷积神经网络;;部分卷积;;自适应注意力机制;;动态调整;;多层卷积
基金资助：国家自然科学基金(61640014);; 中铝国际工程股份有限公司科技重大专项(CJ2022JS-ZD02);; 贵州省教育厅创新群体(黔教合KY字[2021]012);贵州省教育厅工程研究中心(黔教技[2022]040,黔教技[2022]043);; 贵州省科技支撑计划(黔科合支撑[2022]一般017,黔科合支撑[2023]一般411,黔科合支撑[2023]一般412,黔科合支撑[2024]一般051);; 中国电建集团科技项目(DJ-ZDXM-2020-19,DJZDXM-2022-44)
