检索结果-内蒙古大学图书馆

作者：阮晓峰中国科学院大学

学位级别：博士

近年来，随着深度学习算法在人工智能领域（比如计算机视觉、语音识别和自然语言处理）的发展和应用，相关任务性能都有了突飞猛进的提高。然而，为了追求更高的性能，深度神经网络需要庞大的参数和繁重的计算量，当这些算法面对资源受... 详细信息

近年来，随着深度学习算法在人工智能领域（比如计算机视觉、语音识别和自然语言处理）的发展和应用，相关任务性能都有了突飞猛进的提高。然而，为了追求更高的性能，深度神经网络需要庞大的参数和繁重的计算量，当这些算法面对资源受限的嵌入式或者移动设备时，算力已经捉襟见肘，影响着深度学习算法在实际应用场景的部署，进而严重制约人工智能技术的落地。因此，深度神经网络压缩与加速研究对于深度学习进一步落地有着重要的学术价值与现实意义。　　本文围绕目前深度神经网络压缩与加速存在的若干问题，主要从压缩方法、压缩过程、特征学习3个方面进行了系统地、深入地分析，同时设计了科学的、可行的解决方案，具体研究内容与创新点归纳如下:　　提出了一种基于有效统一分解与剪枝的深度卷积神经网络压缩方法。剪枝改变了卷积层输入/输出的维度，导致一些特殊结构的最后一层无法压缩;低秩分解方法将一个卷积层分解为多个卷积层，增加了模型的实时内存消耗。针对这些问题，本文提出了一种基于有效统一分解与剪枝的深度卷积神经网络压缩方法。该方法通过构造一个可压缩的模块，即将一个卷积层分解为两层:新的基权值层和系数权值层。通过在系数权值上施加稀疏正则，提出的方法可以实现卷积层低秩和通道稀疏两个任务的联合优化。将单个卷积层可压缩构造模式拓展到整个网络，在数据驱动下该方法可以实现分解与剪枝的有效统一。此外，通过对压缩后模型中冗余的层进行合并操作，进一步减少了网络的冗余。在常用大、小规模的数据集和网络上，与多种主流方法比较，提出来的方法在压缩率、准确性、推理时间和实时内存消耗方面均获得了可竞争的结果。同时，在检测任务上也有很好的泛化性能。　　提出了一种基于动态和渐进式稀疏正则的深度卷积神经网络剪枝方法。由于仅使用稀疏和剪枝无法获得令人满意的性能，现有的剪枝方法大多需要繁琐的过程，带来了额外的超参数和训练轮次。此外，有些工作没有考虑不同层间剪枝率的差异。针对这些问题，本文提出了一种基于动态和渐进式稀疏正则的深度卷积神经网络剪枝方法。该方法从头开始直接训练一个满足预设剪枝率的结构化稀疏网络。在训练过程中，不同层的稀疏分配率被动态地更新，同时使用基于泰勒级数的通道敏感性准则确定预期稀疏参数。进一步地，通过对预期稀疏参数施加渐进式变化的组稀疏正则，结构化稀疏网络被逐渐学习出来。提出来的方法利用基于动态稀疏的迭代阈值收缩算法解决了基于剪枝率的优化求解问题。在训练结束后，该方法直接移除冗余参数，即可获得满足预设剪枝率的压缩模型，整个过程不需要微调。实验结果表明，提出来的方法在大、小规模的数据集均取得了可竞争的结果。同时，在检测任务上也有很好的泛化性能。　　提出了一种基于动态稀疏和特征学习增强的深度卷积神经网络剪枝方法。大多数剪枝方法仅仅利用训练好的模型参数作为训练的初始参数，而模型本身的特征表征信息没有被利用。针对这一问题，本文提出了一种基于模型特征学习增强训练的动态剪枝方法。在模型训练过程中，本文利用基准模型的特征表达信息和多个压缩子网络之间的类别信息来完成整个模型压缩任务，不需要任何数据标签信息监督。具体来说，从基准模型特征表达信息出发，本文利用基准模型（训练好的模型）输出的预测类别信息和中间层特征作为监督信息指导压缩子模型的任务学习，增强了压缩模型学习基准模型特征的能力。从压缩子模型输出信息出发，本文利用不同压缩子模型的输出信息互相学习，增强了压缩子模型之间特征学习的能力。进一步地，结合提出的动态结构化稀疏正则方式，本文设计了无类别标签数据监督的端到端模型压缩框架。模型训练结束后，该方法直接移除冗余的参数，不需要任何数据类别标签信息进行微调。在多个网络结构和数据集下，提出的方法获得了很好的性能。

关键词：深度卷积神经网络模型压缩算法加速结构化剪枝知识迁移

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积神经网络的变电站设备故障图像分类方法

引用

电工技术 2024年第18期 94-96,100页

作者：陈昌飞康曦何振梁朱东松葛林王海国网江西省电力有限公司赣州供电分公司江西赣州341000

为优化变电站设备故障图像分类的效果,提高图像分类的召回率,满足复杂化和多样化的设备故障图像分类需求,开展了基于深度卷积神经网络的变电站设备故障图像分类方法研究。首先,对变电站设备图像进行预处理,减少噪声干扰,达到平滑图像的... 详细信息

为优化变电站设备故障图像分类的效果,提高图像分类的召回率,满足复杂化和多样化的设备故障图像分类需求,开展了基于深度卷积神经网络的变电站设备故障图像分类方法研究。首先,对变电站设备图像进行预处理,减少噪声干扰,达到平滑图像的目的。其次,使用阈值分割算法,对变电站设备图像进行区域分割,为后续故障图像分类奠定良好的基础。在此基础上,利用深度卷积神经网络实现故障图像特征高度提纯,以变电站设备相对温差为依据,判断设备故障缺陷等级,输出故障图像分类结果。实验结果表明,应用所提出的方法后,随着图像样本数量的增加,其在召回率方面始终保持良好的性能,能够更准确地分类出故障图像样本,具有更好的泛化能力。

关键词：深度卷积神经网络变电站设备故障图像分类

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积神经网络的人脸识别算法研究与分析

引用

池州学院学报 2024年第6期38卷 13-16页

作者：尹向兵赵盼马小琴安徽警官职业学院信息管理系安徽合肥230031 池州学院大数据与人工智能学院安徽池州247000

在海量信息中精准定位并关注所需的关键信息,可以借鉴从选择性视觉注意力机制到深度学习中注意力机制的扩展理念。为了在不同光照、姿态、表情、年龄、模糊度及采集角度等各种复杂环境下提升人脸识别的准确性,文章提出基于深度卷积神经... 详细信息

在海量信息中精准定位并关注所需的关键信息,可以借鉴从选择性视觉注意力机制到深度学习中注意力机制的扩展理念。为了在不同光照、姿态、表情、年龄、模糊度及采集角度等各种复杂环境下提升人脸识别的准确性,文章提出基于深度卷积神经网络的人脸识别方法。该方法特别针对动态表情、光照变化和多场景下的识别难题,通过引入混合注意力机制,充分提取人脸图像的关键特征区域,使网络能够自动减少对冗余信息的关注,强化对有效特征的学习能力。此外,通过全局平均池化处理网络提取的高维语义特征,有效控制网络参数规模,防止模型对训练数据的过拟合,从而实现高效的人脸识别。

关键词：深度卷积神经网络 AttFaceNet 混合注意力人脸识别

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积神经网络的光场重建算法研究

基于深度卷积神经网络的光场重建算法研究

引用

作者：刘霞四川大学

学位级别：博士

随着光场成像技术在反恐监控、工业检测、显微诊断、虚拟现实、卫星侦察等领域的广泛应用,其研究越来越受到重视。与传统二维成像将来自不同方向的光线强度集成到一个像素不同,光场成像分别记录光线每个方向的强度,从而为三维场景提供... 详细信息

随着光场成像技术在反恐监控、工业检测、显微诊断、虚拟现实、卫星侦察等领域的广泛应用,其研究越来越受到重视。与传统二维成像将来自不同方向的光线强度集成到一个像素不同,光场成像分别记录光线每个方向的强度,从而为三维场景提供额外的角度信息。然而,现有的光场采集设备只能获取稀疏的角度信号,由此产生的光场角度欠采样极大地限制了其发展。光场重建旨在从稀疏采样的视图中合成新视图来获取密集采样的光场,它无需花费高昂的代价构建复杂的光学系统,而是运用数学建模与算法提升光场的角度分辨率。近年来,深度卷积神经网络在计算机视觉领域展现了极大的优势,基于此的光场重建算法也取得了高于传统算法的性能,但仍面临许多挑战。首先,简单地使用独立于或依赖于场景深度信息的方法,很难兼顾纹理和遮挡区域的重建质量。其次,受场景中纹理及遮挡等复杂度的影响,合成的图像在其近边缘区域容易出现失真。最后,已有的算法只能适应特定的采样模式及数量,限制了其在实际应用中的泛化能力。针对上述挑战,论文结合卷积神经网络,对光场重建算法进行了分析与研究,取得了如下研究成果:1.提出了一种基于混合网络注意力图的光场重建算法。它包含两个平行的子网络,分别实现隐式深度信息和显式深度信息的光场重建。通过注意力图的融合,算法能够从互补的角度利用以上两种光场重建方法的特点。经过对大量场景重建结果的客观和主观评价,证明了该算法最终合成的图像无论在纹理区域还是遮挡等深度不连续边界上,结果都令人满意。2.为修复重建的光场图像在近边缘区域的失真现象,论文提出了基于边缘先验指导的修复模块(Edge-guided Inpainting Module,EGIM)。此外,为进一步提升光场图像近边缘区域的相似度,论文提出了近边缘(Near-edge,NE)损失函数。通过设计两个使用EGIM的光场重建算法,并将其应用在大视差数据集及真实场景数据集上。实验结果表明,相比于当前较先进的算法,其合成的图像在近边缘区域表现出了令人满意的视觉效果。3.针对光场重建中采样模式受限及网络多次训练的问题,论文提出了基于随机采样与任意角度分辨率的光场重建算法。它将输入视点及目标视点的位置编码到平面扫描体中并作为其输入,有效解决了输入视图采样模式受限的问题。此外,为了充分探索和融合任意数量输入视图的特征,算法基于SE(Squeeze-and-Excitation)注意力机制提出了扩展的SE(Extended Squeeze-and-Excitation,ESE)注意力机制。综合实验评估表明,算法能够准确地估计出具有挑战性区域的深度图,保持了较高的重建质量。通过灵活的采样模式,以及灵活的输入、输出分辨率,算法的通用性得到了提高。

关键词：光场角度超分辨光场重建视图合成深度卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于改进深度卷积神经网络的网络流量分类方法

引用

中国科学：信息科学 2021年第1期51卷 56-74页

作者：张小莉程光张慰慈山西铁道职业技术学院智能控制系太原030013 东南大学网络空间安全学院南京211189

机器学习方法对网络流量分类的前提是假设流量具有独立同分布性,而实际情况下流量特征不断发生变化,导致该方法在处理海量、不具备独立同分布的流量数据时开销较大,计算复杂度较高,精度较低.针对上述问题,本文提出一种新的分类模型.该... 详细信息

机器学习方法对网络流量分类的前提是假设流量具有独立同分布性,而实际情况下流量特征不断发生变化,导致该方法在处理海量、不具备独立同分布的流量数据时开销较大,计算复杂度较高,精度较低.针对上述问题,本文提出一种新的分类模型.该模型将PCA算法与改进的深度卷积神经网络分类模型(improved deep LeNet-5 convolutional neural networks,LCNN)相结合进行流量分类.前者进行降维分析,发现影响检测精度的关键特征,后者采用自主特征学习方式提升分类精度.实验表明,本文方法的内存开销较之前方法降低了3.2%,检测精度提升了5%~8%.

关键词：网络流量分类深度卷积神经网络 PCA 多分类器特征选择 Tensorflow

来源：评论

学校读者我要写书评

暂无评论

基于优化VMD和深度卷积神经网络的柴油发电机组故障诊断

引用

机械与电子 2023年第8期41卷 8-13页

作者：吉哲吕飞王冕海军士官学校安徽蚌埠233012

针对柴油发电机组故障信号非平稳非线性特征参数难以提取的问题,结合深度学习的优势,提出一种基于变分模态分解(VMD)和深度卷积神经网络(CNN)相结合的故障诊断模型。为克服VMD算法中分解模态数较难确定的问题,采用峭度准则来选取最优分... 详细信息

针对柴油发电机组故障信号非平稳非线性特征参数难以提取的问题,结合深度学习的优势,提出一种基于变分模态分解(VMD)和深度卷积神经网络(CNN)相结合的故障诊断模型。为克服VMD算法中分解模态数较难确定的问题,采用峭度准则来选取最优分解模态数,将优化的VMD算法用于不同工况下的柴油发电机组声信号进行分解,转化为灰度图像作为网络输入,通过CNN自动进行特征提取,并利用训练集样本进行网络训练。为避免背景噪声和提高故障诊断精度,使用双传感器采集发电机组声信号。通过测试集的验证,表明该模型在对柴油发电机组的故障诊断中实现了不同工况下的可靠判别,进一步提升了故障判别的准确性。通过对比其他4种故障诊断方法,结果表明所提方法诊断精度更高且鲁棒性好。

关键词：优化变分模态分解深度卷积神经网络柴油发电机组故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于改进深度卷积神经网络的轴承故障诊断

引用

计算技术与自动化 2023年第3期42卷 19-26页

作者：张彩华张英杰李明陆碧良李蒲德湖南大学信息科学与工程学院湖南长沙410082

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单... 详细信息

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。

关键词：风电机组轴承故障诊断深度卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积神经网络的焊缝图像滤波

引用

焊接技术 2023年第2期52卷 20-25,I0007,I0008页

作者：吴定勇张超杨辉刘晨帆申俊琦梁瑛中交天和机械设备制造有限公司江苏苏州215500 天津大学材料科学与工程学院天津300354 天津大学天津市现代连接技术重点实验室天津300354

针对视觉焊缝跟踪中焊缝图像滤波处理的实际需求,提出基于深度卷积神经网络的焊缝图像滤波(WIF-CNN)模型,实现了对焊缝图像中不同类型噪声的有效滤除。所提出的WIF-CNN网络基于VGG网络实现,通过去除VGG网络中的全连接层和池化层,实现了... 详细信息

针对视觉焊缝跟踪中焊缝图像滤波处理的实际需求,提出基于深度卷积神经网络的焊缝图像滤波(WIF-CNN)模型,实现了对焊缝图像中不同类型噪声的有效滤除。所提出的WIF-CNN网络基于VGG网络实现,通过去除VGG网络中的全连接层和池化层,实现了图像端到端的训练;通过引入残差网络结构和BN层,使WIF-CNN网络在保持较高层数的同时,具有较高的准确率和较快的收敛性;按照随机洗牌策略生成训练数据集,提高了WIF-CNN网络的鲁棒性。结果表明:当分别过滤含有高斯、泊松和椒盐噪声的焊缝图像时,与均值、高斯、中值、NLM和BM3D等滤波算法相比,所提出WIF-CNN网络的滤波效果最好,经过WIF-CNN网络滤波处理后的焊缝图像噪声强度大幅降低,且失真度较小;所构建的WIF-CNN网络可以满足焊缝视觉跟踪中图像滤波处理的要求,有利于后续焊缝图像处理的进行。

关键词：深度卷积神经网络焊缝图像滤波视觉焊缝跟踪结构光视觉

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积神经网络的肺结核病灶检测模型开发

引用

中国医疗设备 2023年第10期38卷 7-13页

作者：马依迪丽·尼加提田序伟米日古丽·达毛拉阿布都克尤木·阿布力孜阿里木江·阿卜杜凯尤木戴国朝董家科喀什地区第一人民医院影像中心新疆喀什844000

目的开发基于深度卷积神经网络的肺结核病灶检测模型,并评估其在肺结核大规模人群筛查及临床检测中的应用价值。方法回顾性收集2019年3月至2020年7月于喀什地区第一人民医院影像中心就诊的1217例患者的影像数据,随机分为3个数据集,以7... 详细信息

目的开发基于深度卷积神经网络的肺结核病灶检测模型,并评估其在肺结核大规模人群筛查及临床检测中的应用价值。方法回顾性收集2019年3月至2020年7月于喀什地区第一人民医院影像中心就诊的1217例患者的影像数据,随机分为3个数据集,以7∶2∶1的比例在改进的RetinaNet肺结核病灶检测模型上进行训练、验证和测试,并收集两个肺结核公开数据集数据共800例,用于模型的外部验证。检测模型通过构造针对小病灶敏感的损失函数,引入注意力机制和多尺度特征提取等技巧,优化对微小病灶和隐匿性病灶的检出率。结果改进的RetinaNet模型仅在测试集的曲线下面积(Area Under the Cure,AUC)略低于原始RetinaNet模型,其他数据集的AUC和准确度均高于原始RetinaNet模型。同时改进的RetinaNet模型在外部中心的公开数据集进行模型评价时,诊断性能较测试集和验证集表现更好(AUC为0.879,准确度为0.847)。放射科医生在人工智能(Artificial Intelligence,AI)系统辅助下对肺结核病进行诊断时的灵敏度、特异性、准确度较无AI系统辅助的诊断水平均有明显提升。在有AI系统辅助下放射科医生对于病例的影像数据进行阅片时间显著短于无AI系统辅助时(P<0.001)。结论深度学习能用于快速检测和定位胸片中的肺结核病灶,并给出相应的置信指数和病灶位置信息,可大批量筛查肺结核高风险人群,大幅度地提高医疗资源匮乏地区放射科医生的工作效率和肺结核诊断的准确度。

关键词：人工智能胸部X线检查深度卷积神经网络结核病诊断医学影像

来源：评论

学校读者我要写书评

暂无评论

深度卷积神经网络的快速实现及其在医学图像分割上的应用

深度卷积神经网络的快速实现及其在医学图像分割上的应用

引用

作者：杨玉维中国科学院大学

学位级别：硕士

近年来深度卷积神经网络作为深度学习的基本工具，在许多领域取得了显著突破。然而，随着深度网络规模的增加，往往也伴随着巨大的计算成本、存储开销等问题，使得深度网络在实际移动端以及嵌入式设备的广泛部署成为极大挑战。因此，目... 详细信息

近年来深度卷积神经网络作为深度学习的基本工具，在许多领域取得了显著突破。然而，随着深度网络规模的增加，往往也伴随着巨大的计算成本、存储开销等问题，使得深度网络在实际移动端以及嵌入式设备的广泛部署成为极大挑战。因此，目前在深度网络中的一个关键问题是，如何在不降低网络性能的前提下，设计高效的深度网络。进而，深度网络的模型加速成为当前人工智能领域的一个热点研究方向。　　医学健康服务行业作为人工智能的重要应用领域，其中医学图像分割任务是患者病情分析和治疗的前提。医学图像精准高效的分割，对于提高医护人员工作效率，及时制定治疗方案具有重要的临床意义。深度分割网络庞大的学习参数以及复杂病变区域边缘的特征提取，在实际模型训练中往往需要大量时间和内存开销。　　本文针对当前问题，根据卷积神经网络模型中存在参数冗余的特点，引入动态路由注意力机制，高效选取最优移位算子，减少模型参数量的同时保证网络性能的稳定性。通过实验验证，仅在少量参数内存需求下，网络模型仍然能满足图像分割任务的分割性能。因此，医学图像分割与深度卷积神经网络的快速实现相结合，将改善基于深度学习的医学图像分割模型的部署情况。本文的主要研究内容如下:　　(1)针对卷积神经网络中的参数冗余问题，分析得出一个卷积算子可以分解为一系列移位算子的线性组合，为深度卷积神经网络的快速实现提供了一种新的方法。这些移位算子并不完全独立，移位算子的选择成为加速卷积网络的关键。　　(2)提出了基于动态路由注意力机制的移位网络模型，并将其应用于肝肿瘤图像分割上，提升部署效率。针对卷积网络中如何选取最优移位算子的问题，引入动态路由注意力机制，实现了移位算子的自动获取。通过计算移位网络中当前网络层移位后的特征向量和下层网络输出的特征向量的内积大小，来衡量两个特征向量的相似性。内积越大，相似性越高，对应移位算子权重增大，经过迭代训练，获得最终的移位算子。最后通过CIFAR-10/100数据集验证实验以及LiTS2017数据集肝肿瘤分割实验，证明了所提网络模型的有效性。　　(3)设计了一个基于动态路由注意力机制的肝肿瘤医学图像分割系统，实现“互联网+”医疗服务行业的结合。本文设计了肝肿瘤医学图像分割系统，该系统由肝肿瘤医学图像数据读取及解析模块、图像预处理模块和图像分割模块构成。在系统中，分别对每个模块对应的功能进行了测试，保证了系统的有效性与可靠性。

关键词：深度卷积神经网络模型加速移位网络注意力机制医学图像分割特征提取

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：