本课题由上海交通大学和华域视觉联合承担。

2021年10月28日，基金会秘书处组织协调上海交通大学、华域视觉、以及上汽技术中心、上汽商用车技术中心、联合电子共19名人员，通过腾讯视频会议方式，围绕《深度学习压缩剪枝算法研究与应用》（1921）课题进行了阶段性（中期）研究成果技术交流（汇报）会。

课题组针对基于“卷积层－BN层－激活层”(CBA)结构的静态稀疏化算法在特定数据集下难以在保留更多的网络精度和实现更高稀疏度目标时达到最佳权衡的问题，研究提出了基于动态TLp正则化约束的网络稀疏化训练方法，使用本方法稀疏的YOLOv3网络，在精度保留上相较其他正则化方法有1.3%至18.6%的不同幅度的提升；提出了基于动态正则化缩放系数λ的网络稀疏化训练方法DSC，与动态TLp联合使用，在YOLOv4和YOLOv4-tiny结构上获得了当前最佳接近的精度和算力压缩结果；提出了基于通道缩放因子的全局范围结构化剪枝方法，可在仅损失3.7%相对精度的情况下剪除YOLOv3的90%的特征通道和16个卷积层，网络的参数量和计算量压缩至未剪枝网络的14.12%和17.49%；利用Xilinx Vitis AI权值量化库和DPU加速设计完成了压缩网络和未压缩网络的FPGA部署，结构化剪枝的YOLOv3网络可以实现约3.5倍的加速，获得最高约124FPS的检测速度；将动态TLp正则化约束稀疏化施加于企业提供的基于YOLOv4-tiny结构的轻量化HASCO-7模型，在40%稀疏率+35%剪枝率设置下，模型算力5.565GLOPS，mAP在给定测试集上达到86.85，相比原始结构下降1.52；将DSC稀疏化方法应用于企业提供的基于Densenet主干网的轻量化模型RefineDet中，在未做参数调优的情况下获得了略微超过静态稀疏化的精度和算力结果，在目标剪枝率40%的设置下，获得了实际算力压缩10.46%，mAP下降1.1%，NPU推理加速1.152x的测试结果；探索了连续可编辑风格迁移数据增广在企业夜间数据集的实施可行性，为构建包含各种时间、天气、光照的丰富夜间场景数据集提供了方案储备。

达到中期预期目标。

华域数据集Night测试