基于图卷积网络的卷积神经网络耗时预测算法

通过可学习的预测算法获取卷积神经网络(CNN)在硬件上的推理耗时越来越受到研究者的关注。现有耗时预测算法主要面临2个问题:卷积神经网络设计空间采样复杂度高，数据采集成本高；无法准确预测硬件编译器的算子融合技术对推理耗时的影响。为了解决上述问题，提出了一种基于图卷积网络(GCN)的耗时预测算法, 将整体网络耗时看作多节点耗时补偿的累加，并利用图卷积对结构算子融合产生的耗时影响进行建模。同时，提出一种新型差分训练方案，减少采样空间规模，提高算法的泛化能力。在HISI3559硬件平台上对MB-C连续空间采样模型的耗时预测实验表明:所提算法可将耗时估计的平均相对误差从传统算法的302%降低到5.3%。另外，通过将传统耗时预测算法替换成所提算法进行耗时评估，可以使网络结构搜索算法搜索到耗时更加接近目标的高精度网络。      

飞行器飞行姿态不确定性传播分析

飞行器的飞行状态会受到诸多不确定因素的影响。例如飞行时的外部环境参数，制造时的容许公差和加工误差等不确定性变量会使飞行中的姿态控制产生偏差，导致飞行任务失败，甚至引发灾难性的后果。为此，本文提出了一种基于最优混沌多项式展开的不确定性传播分析方法，有效突破了高维不确定性传播分析面临的变量分布任意以及大规模计算等瓶颈问题。本文提出的传播分析方法，统一度量了高维设计变量中的不确定性，量化分析复杂不确定性对马赫数、动压、轴向过载系数及合成攻角等飞行姿态参数的影响，进而为飞行姿控及后续结构优化设计提供有效依据。     

用于遥感图像变化检测的全尺度特征聚合网络

变化检测(CD)是遥感的一项重要任务，通常面临许多伪变化和较大的尺度变化。目前的方法主要侧重于对差异特征的建模，忽略了从原始图像中提取足够的信息，影响了特征的识别能力，难以稳定地区分出变化区域。针对以上问题，提出了一种全尺度特征聚合网络(FFANet)来更充分地利用原始图像特征，促使生成的特征表示在语义上更丰富、在空间上更准确，从而提高了网络对小目标和目标边缘的检测性能。同时，拓展了深监督来结合多尺度的预测图，以促使不同对象在更合适的尺度上进行检测，从而提升了网络对对象尺度变化的鲁棒性。在CDD数据集上，相比于基线网络，所提方法仅增加了1.01×106的参数量，就将F₁分数提升了0.034。