期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
面向轻量级卷积网络的激活函数与压缩模型 被引量：10
1
作者 徐增敏 陈凯 +2 位作者 郭威伟 赵汝文 蒋占四 《计算机工程》 CAS CSCD 北大核心 2022年第5期242-250,共9页
因卷积神经网络参数膨胀,导致模型训练时占用大量的计算资源和存储资源,从而限制其在边缘终端上的应用。依据深度可分离卷积模型MobileNet V1的设计思路,结合自门控函数和ReLU函数的特点,构建一种改进的激活函数和压缩神经网络模型Mobil... 因卷积神经网络参数膨胀,导致模型训练时占用大量的计算资源和存储资源,从而限制其在边缘终端上的应用。依据深度可分离卷积模型MobileNet V1的设计思路,结合自门控函数和ReLU函数的特点,构建一种改进的激活函数和压缩神经网络模型MobileNet-rhs。将ReLU函数和swish函数分别作为分段线性函数,设计激活函数ReLU-h-swish,通过优化卷积单元结构,解决模型训练过程中难以激活部分神经元的问题,以减少特征信息丢失。构建一种剔除卷积核的压缩模型,从模型深处自下而上剔除2;个卷积核,减少逐点卷积的参数量。在CIFAR-10和CIFAR-100数据集上进行实验,结果表明,引入ReLU-h-swish函数构建MobileNet-rhs模型的Top-1分类准确率为80.38%。相比MobileNet-rhs模型,压缩后MobileNet-rhs模型的参数量减少17.9%,其Top-1分类准确率仅降低2.28个百分点。此外,利用Tensorflow将该模型部署在安卓平台上,实现图像分类相册的应用。 展开更多
关键词 manifold of interest变换 深度可分离卷积 逐点卷积 自门控函数 Kotlin协程
下载PDF
基于MobileNet的轻量级网络构建及其超分辨率图像重建 被引量：7
2
作者 张焯林 曹飞龙 《中国计量大学学报》 2019年第1期56-64,103,共10页
目的:研究轻量级网络的超分辨率重建。方法:尝试在图像超分辨率重建中引入MobileNet网络结构,并使用MobileNet v2网络结构对网络进行改进。结果:通过将标准的卷积网络分解为深度卷积和逐点卷积操作,该网络将参数数量和计算量缩减为原来... 目的:研究轻量级网络的超分辨率重建。方法:尝试在图像超分辨率重建中引入MobileNet网络结构,并使用MobileNet v2网络结构对网络进行改进。结果:通过将标准的卷积网络分解为深度卷积和逐点卷积操作,该网络将参数数量和计算量缩减为原来的1/4左右。结果显示除了在扩大因子为×2的情况下重建效果有所下降之外,在其他的尺度上都取得了更好的效果。使用MobileNet v2网络结构对网络改进以后,该网络能在参数数量和计算量增加不多的情况下进一步提升效果,重建效果超过所有对比方法。结论:所构建的两个轻量级网络不仅在定性指标上面有更好的结果,而且在视觉效果上也具一定优势。 展开更多
关键词 计量 超分辨率重建 MobileNet结构 深度卷积 逐点卷积
下载PDF
深度可分卷积结合多通道注意力的垃圾图像快速分类模型 被引量：1
3
作者 王星 晏榕璟 《兰州理工大学学报》 CAS 北大核心 2023年第3期88-93,共6页
针对传统垃圾图像分类模型结构复杂和实时性不强的问题,提出了一种深度可分卷积结合多通道注意力机制的垃圾图像快速分类模型.该模型首先利用深度卷积和逐点卷积的拼接模型构造深度可分卷积,通过减少卷积运算参数量降低模型训练时间开销... 针对传统垃圾图像分类模型结构复杂和实时性不强的问题,提出了一种深度可分卷积结合多通道注意力机制的垃圾图像快速分类模型.该模型首先利用深度卷积和逐点卷积的拼接模型构造深度可分卷积,通过减少卷积运算参数量降低模型训练时间开销;然后,引入多通道注意力机制,使模型对于强分类能力的特征具有更高的关注度;最后,在TrashNet、Garbage-classify和GINI等开源垃圾图像分类数据集上进行测试.实验结果表明,该模型相比当前主流垃圾图像分类模型,在保持识别精度较高的基础上,具有更小的时间开销和更广的检测范围. 展开更多
关键词 垃圾图像分类 深度卷积 逐点卷积 多通道注意力机制
下载PDF
扩展点态卷积网络的点云分类分割模型 被引量：2
4
作者 张新良 付陈琳 赵运基 《中国图象图形学报》 CSCD 北大核心 2020年第8期1551-1557,共7页
目的点态卷积网络用于点云分类分割任务时,由于点态卷积算子可直接处理点云数据,逐点提取局部特征向量,解决了结构化点云带来的维度剧增和信息丢失等问题。但是为了保持点云数据结构的一致性,点态卷积算子及卷积网络模型本身并不具有描... 目的点态卷积网络用于点云分类分割任务时,由于点态卷积算子可直接处理点云数据,逐点提取局部特征向量,解决了结构化点云带来的维度剧增和信息丢失等问题。但是为了保持点云数据结构的一致性,点态卷积算子及卷积网络模型本身并不具有描述点云全局特征的结构,因此,对点态卷积网络模型进行扩展,扩展后的模型具有的全局特征是保证分类分割准确性的重要依据。方法构造中心点放射模型来描述点云逐点相对于全局的几何约束关系,将其引入到点态卷积网络的特征拼接环节扩展特征向量,从而为点态卷积网络构建完善的局部—全局特征描述,用于点云数据的分类分割任务。首先,将点云视为由中心点以一定方向和距离放射到物体表面的点的集合,由中心点指向点云各点的放射矢量,其矢量大小确定了各点所存在的曲面和对于中心点的紧密程度,矢量方向描述了各点对于中心点的包围方向及存在的射线。进而由点云中的坐标信息得到点云的中心点,逐点计算放射矢量构造中心点放射模型,用以描述点云的全局特征。然后,利用点云数据的坐标信息来检索点的属性,确定卷积中参与特定点卷积运算的邻域,点态卷积算子遍历点云各点,输出逐点局部特征,进一步经多层点态卷积操作得到不同深度上的局部特征描述。最后,将中心点放射模型的全局特征和点态卷积的局部特征拼接,完成特征扩展,得到点态卷积网络的扩展模型。拼接后的局部—全局特征输入全连接层用于类标签预测,输入点态卷积层用于逐点标签预测。结果在ModelNet40和S3DIS(Stanford large-scale 3D indoor spaces dataset)数据集上分别进行实验,验证模型的分类分割性能。在ModelNet40的分类实验中,与点态卷积网络相比,扩展后的网络模型在整体分类精度和类属分类精度上分别提高1.8%和3.5%,在S3DIS数据集的� 展开更多
关键词 点云 点态卷积 中心点放射模型 分类 分割 特征扩展
原文传递
深度可分离卷积网络的驾驶状态识别算法
5
作者 马迎杰 王佳斌 +1 位作者 郑力新 朱新龙 《华侨大学学报（自然科学版）》 CAS 2021年第2期259-267,共9页
针对嵌入式设备内存小及多分类准确率低等导致驾驶员检测问题,提出经过深度可分离卷积网络改进而成的,快速下采样网络(fast downsampling network,MF-Net)驾驶状态识别系统.即将快速下采样策略应用于深度可分离卷积网络,在12层内执行32... 针对嵌入式设备内存小及多分类准确率低等导致驾驶员检测问题,提出经过深度可分离卷积网络改进而成的,快速下采样网络(fast downsampling network,MF-Net)驾驶状态识别系统.即将快速下采样策略应用于深度可分离卷积网络,在12层内执行32倍下采样,以有效降低计算成本、增加信息容量并实现性能改进.实验结果表明:与VGG(visual geometry group)和ResNet 50等其他卷积神经网络(CNN)模型相比,所提出的MF-Net模型深度可分离卷积大大减少参数量,快速下采样方案的运用增加了网络的信息容量,不仅模型较小且在驾驶员状态分类方面能够表现出更好的性能.同时,信息容量的增加可以对更多信息进行编码,加深对图像内容的理解,有利于之后的嵌入式系统移植. 展开更多
关键词 驾驶状态 状态特征检测 深度学习 深度卷积 逐点卷积
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部