CN2Conv：面向物联网设备的强鲁棒CNN设计方法

作     者：柴智 丁春涛 郭慧 张俊娜 

作者机构：河南师范大学计算机与信息工程学院 北京师范大学人工智能学院 

出 版 物：《计算机应用研究》 (Application Research of Computers)

年 卷 期：2025年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(62472147 62202039) 

主　　题：卷积神经网络 云辅助训练 少参数模型 鲁棒性 

摘      要：使用云辅助训练少参数的卷积神经网络(Convolutional Neural Network,CNN)可以使其部署在资源受限的物联网设备上，然而现有少参数模型存在对复杂数据特征的提取能力不足、鲁棒性差的问题。为此提出了一种适应复杂数据且鲁棒性强的CNN设计方法，组合非线性变换卷积核生成方法(Combined Non-linearity Convolution Kernel Generation,CN2Conv)。首先，从CNN模型的卷积层中随机选取部分卷积核作为种子卷积核，并使用多个生成函数对种子卷积核进行非线性变换，得到多样化的生成卷积核。然后，对不同生成函数使用不同的超参数以控制模型的正则化效果，提高模型鲁棒性。最后，对生成卷积核生成的特征图进行通道混洗和卷积降维操作，同时利用组归一化技术提高特征的分布一致性，增强对复杂数据的特征捕获能力。为了验证CN2Conv的有效性，在CIFAR-10、CIFAR-100、CIFAR-10-C和Icons-50数据集上进行了实验。在CIFAR-10-C数据集上，采用CN2Conv的ResNet34的准确率比标准ResNet34提高8.22%，比MonoCNN提高11.86%。结果表明基于CN2Conv的CNN模型在多个数据集上的准确率优于对比方法，且鲁棒性显著提升。