摘要： 基于深度學習的水下聲學目標識別算法在水下平臺部署時,通常面臨計算資源短缺和水下聲學環(huán)境復雜多變的挑戰(zhàn),提出一種結合二值化神經網絡與知識蒸餾的輕量型水聲目標識別算法(DSBNN＿KD),旨在通過深度可分離卷積和權重參數(shù)二值化等手段實現(xiàn)模型的壓縮和優(yōu)化加速.同時,利用知識蒸餾技術將高性能高復雜度的教師模型的知識轉移到輕量級學生模型上,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）