轻量自注意力度量网络

推理提速五成

面向电力线路驱鸟设备的少样本鸟类识别，在保持紧凑架构的同时，通过自注意力与结构相似性度量提升关键特征提取能力，并借助知识蒸馏大幅压缩模型复杂度。

谢将剑 · Xie, Shanshan · Baican, Li · Yujie, Zhong · Hu, Chunhe · Zhang, Junguo · Schuller, Björn W.

Engineering Applications of Artificial Intelligence 2025

参数信息

计算量（Bird-65）

4.75 GFLOPs

计算量（CUB200-2011）

1.18 GFLOPs

推理速度提升（Bird-65）

52.9 %

推理速度提升（CUB200-2011）

48.9 %

TensorRT优化后推理时间减少（Bird-65）

43.6 ms

TensorRT优化后推理时间减少（CUB200-2011）

53.7 ms

技术优势

伪特征干扰更小

自相关表示模块捕获局部结构模式，有效缓解伪特征的影响，使网络学习到更具判别力的表示，在野外复杂背景下识别更可靠。

推理速度提升约五成

通过轻量化设计，LSAM-Net在Bird-65和CUB200-2011上的计算量仅4.75和1.18 GFLOPs，推理速度较SAM-Net分别提升52.9%和48.9%，满足了驱鸟设备的实时识别需求。

部署可再加速

经TensorRT优化后，在Bird-65和CUB200-2011上推理时间分别再减少43.6 ms和53.7 ms，进一步降低边缘设备的资源消耗。

应用场景

• 智能驱鸟设备：提供实时的鸟类物种识别，以便设备触发针对特定物种的驱避策略，提高长期驱鸟效果。
• 电力线路视觉监测：在电力线路附近自动识别鸟类物种，辅助监测鸟类活动对线路的潜在威胁。
• 嵌入式视觉识别：凭借知识蒸馏后的紧凑架构和TensorRT加速，可在边缘设备上高效运行视觉识别任务。
• 野外少样本分类：利用自注意力度量学习，在野外复杂背景下仅需少量样本即可实现可靠的鸟类分类。