检索结果-内蒙古大学图书馆

计算机应用 2015年第6期35卷 1749-1752页

作者：沈辉袁晓彤刘青山江苏省大数据分析技术重点实验室(南京信息工程大学) 南京210044

针对经典的基于稀疏编码的图像超分辨率算法在重建过程中运算量大、计算效率低的缺点,提出一种基于预测稀疏编码的单幅图像超分辨率重建算法。训练阶段,该算法在传统的稀疏编码误差函数基础上叠加编码预测误差项构造目标函数,并采用交... 详细信息

针对经典的基于稀疏编码的图像超分辨率算法在重建过程中运算量大、计算效率低的缺点,提出一种基于预测稀疏编码的单幅图像超分辨率重建算法。训练阶段,该算法在传统的稀疏编码误差函数基础上叠加编码预测误差项构造目标函数,并采用交替优化过程最小化该目标函数;测试阶段,仅需将输入的低分辨图像块和预先训练得到的低分辨率字典相乘就能预测出重建系数,从而避免了求解稀疏回归问题。实验结果表明,与经典的基于稀疏编码的单幅图像超分辨率算法相比,该算法能够在显著减少重建阶段运算时间的同时几乎完全保留超分辨率视觉效果。

关键词：图像超分辨率预测稀疏编码字典学习交替优化

来源：评论

学校读者我要写书评

暂无评论

模型压缩中的对抗鲁棒性实验分析

引用

陕西师范大学学报（自然科学版） 2020年第2期48卷 69-75页

作者：夏海峰袁晓彤南京信息工程大学江苏省大数据分析技术重点实验室江苏南京210044

模型压缩和对抗鲁棒性在深度学习模型落地到实际应用场景中扮演着重要的角色,本文将二者结合到同一视角下,探讨在模型压缩同时又可以使精简后的模型具有鲁棒性的问题。在对抗训练的框架下,对模型压缩和模型鲁棒性之间一些性质上的关联... 详细信息

模型压缩和对抗鲁棒性在深度学习模型落地到实际应用场景中扮演着重要的角色,本文将二者结合到同一视角下,探讨在模型压缩同时又可以使精简后的模型具有鲁棒性的问题。在对抗训练的框架下,对模型压缩和模型鲁棒性之间一些性质上的关联进行了研究,并且通过实验证明了模型压缩和对抗鲁棒性可以同时得到。

关键词：深度神经网络模型压缩对抗攻击对抗训练

来源：评论

学校读者我要写书评

暂无评论

基于坐标下降邻域选择的高斯图模型结构并行估计

引用

南京大学学报（自然科学版） 2016年第2期52卷 313-323页

作者：李晓宇周铭袁晓彤罗琦刘青山江苏省大数据分析技术重点实验室南京信息工程大学南京210044 南京信息工程大学电子与信息工程学院南京210044

在许多机器学习问题中,往往需要研究高维数据中各个特征之间的统计相关性.稀疏高斯图模型作为解决这一问题的有效方法之一,广泛应用于数据挖掘、生物信息、金融分析等应用问题中.由于模型参数量是数据维度的平方量级,基于高维数据的稀... 详细信息

在许多机器学习问题中,往往需要研究高维数据中各个特征之间的统计相关性.稀疏高斯图模型作为解决这一问题的有效方法之一,广泛应用于数据挖掘、生物信息、金融分析等应用问题中.由于模型参数量是数据维度的平方量级,基于高维数据的稀疏高斯图模型的参数估计一直是统计机器学习研究中的挑战性问题之一.提出了一种新颖的基于坐标下降优化的稀疏高斯图模型并行估计算法,其核心思想是根据高斯图模型结构估计等价于每个变量的稀疏近邻选择这一基本结论,采用坐标下降来求解每个近邻选择子问题.通过将样本矩阵进行分布式存储,在MPI(Message-Passing Interface)框架下实现了这些子问题的并行求解.实验结果表明,该算法具有良好的并行运算性能,在保证结构估计精度的同时,能够大幅度提升运算速度.

关键词：稀疏高斯图模型并行估计坐标下降 Lasso

来源：评论

学校读者我要写书评

暂无评论

基于极深卷积神经网络的人脸超分辨率重建算法

引用

计算机应用 2018年第4期38卷 1141-1145页

作者：孙毅堂宋慧慧张开华严飞江苏省大数据分析技术重点实验室(南京信息工程大学) 南京210044

针对多种放大倍数的人脸超分辨率重建问题,提出一种基于极深卷积神经网络的人脸超分辨率重建方法,并通过实验发现增加网络深度能够有效提升人脸重建的精度。首先,设计一个包含20个卷积层的网络从低分辨率图片和高分辨率图片之间学习一... 详细信息

针对多种放大倍数的人脸超分辨率重建问题,提出一种基于极深卷积神经网络的人脸超分辨率重建方法,并通过实验发现增加网络深度能够有效提升人脸重建的精度。首先,设计一个包含20个卷积层的网络从低分辨率图片和高分辨率图片之间学习一种端到端的映射关系,并通过在网络结构中将多个小的滤波器进行多次串联以扩大提取纹理信息的范围。其次,引入了残差学习的方法来解决随着深度的提升细节信息丢失的问题。另外,将不同放大因子的低分辨率人脸图片融合到一个训练集中训练,使得该卷积网络能够解决不同放大因子的人脸超分辨率重建问题。在CASPEAL测试集上的结果显示,该极深卷积神经网络的方法比基于双三次插值的人脸重建方法在峰值信噪比(PSNR)和结构相似度上有2.7 d B和2%的提升,和SRCNN的方法比较也有较大的提升,在精度和视觉改善方面都有较大提升。这显示了更深的网络结构能够在重建中取得更好的结果。

关键词：超分辨率重建卷积神经网络机器学习深度学习残差学习

来源：评论

学校读者我要写书评

暂无评论

基于低秩正则化的神经网络学习方法

引用

计算机工程与设计 2018年第4期39卷 1034-1038,1077页

作者：陈嫒嫒刘光灿南京信息工程大学江苏省大数据分析技术重点实验室江苏南京210044

针对神经网络参数过多容易导致过拟合这一问题,结合神经网络学习与低秩学习的基本思想,提出一种低秩正则化神经网络,每层的权值矩阵被约束为低秩的,降低网络的有效参数规模,达到防止过拟合的效果。由于低秩约束的存在,低秩正则化神经网... 详细信息

针对神经网络参数过多容易导致过拟合这一问题,结合神经网络学习与低秩学习的基本思想,提出一种低秩正则化神经网络,每层的权值矩阵被约束为低秩的,降低网络的有效参数规模,达到防止过拟合的效果。由于低秩约束的存在,低秩正则化神经网络的学习过程不能直接利用传统BP算法来完成,因此,提出一种扩展的BP算法,用于求解含低秩约束的神经网络学习问题。实验结果表明,所提方法在分类精度、收敛速度以及预测精度上优于对比方法。

关键词：神经网络低秩矩阵因子分解反向传播算法正则化数据分类与回归

来源：评论

学校读者我要写书评

暂无评论

基于梯度追踪的结构化剪枝算法

引用

计算机仿真 2022年第8期39卷 347-355,414页

作者：王珏季繁繁袁晓彤南京信息工程大学江苏省大数据分析技术重点实验室江苏南京210044

针对深度卷积神经网络存在的过参数化问题,提出一种梯度追踪的结构化剪枝算法。在优化器步骤中选择梯度最大的滤波器,将其索引与参数幅值最大的滤波器索引合并,形成一个并集;根据上述并集更新模型参数;使用一种动态的滤波器选择方法,从... 详细信息

针对深度卷积神经网络存在的过参数化问题,提出一种梯度追踪的结构化剪枝算法。在优化器步骤中选择梯度最大的滤波器,将其索引与参数幅值最大的滤波器索引合并,形成一个并集;根据上述并集更新模型参数;使用一种动态的滤波器选择方法,从而获得压缩后的模型。实验结果表明,采用梯度追踪的剪枝算法使用参数信息和梯度信息,能有效地剪除卷积神经网络的冗余参数。最后结论是,上述方法在压缩深度卷积神经网络的同时,能够更好地保持网络精度。

关键词：结构化剪枝梯度追踪算法动态剪枝模型压缩卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于伪孪生网络双层优化的对比学习

引用

模式识别与人工智能 2022年第10期35卷 928-938页

作者：陈庆宇季繁繁袁晓彤南京信息工程大学自动化学院南京210044 南京信息工程大学数字取证教育部工程研究中心南京210044 南京信息工程大学江苏省大数据分析技术重点实验室南京210044 南京信息工程大学计算机学院南京210044

目前,基于伪孪生网络的对比学习算法使用各种组件以获得最优学生网络,但忽略教师网络在下游任务中的表现,因此,文中提出基于伪孪生网络双层优化的对比学习,促进学生网络和教师网络相互学习,获得最优教师网络。双层优化策略包括基于近邻... 详细信息

目前,基于伪孪生网络的对比学习算法使用各种组件以获得最优学生网络,但忽略教师网络在下游任务中的表现,因此,文中提出基于伪孪生网络双层优化的对比学习,促进学生网络和教师网络相互学习,获得最优教师网络。双层优化策略包括基于近邻优化的学生网络优化策略和基于随机梯度下降的教师网络优化策略。基于近邻优化的学生网络优化策略让教师网络成为约束项,帮助学生网络更好地向教师网络学习。基于随机梯度下降的教师网络优化策略求解近似教师网络,梯度更新教师网络。在5个数据集上的实验表明,文中算法取得较高的k-NN(k=1)分类精度和线性分类精度,特别在批次大小较小时,优势较大。

关键词：对比学习双层优化学生网络近邻优化教师网络随机梯度下降

来源：评论

学校读者我要写书评

暂无评论

基于强化学习与变权组合模型的EV充电需求功率预测方法

引用

数据采集与处理 2025年第2期40卷 530-544页

作者：宋宗仁葛泉波李春喜上海海事大学物流工程学院上海201306 南京信息工程大学自动化学院南京210044 大数据分析与智能系统江苏省高校重点实验室南京210044 大气环境与装备技术协同创新中心南京210044 浙江经济职业技术学院汽车技术学院杭州310018

当电动汽车(Electric vehicle,EV)与充电桩连接时,精确预测电动汽车动力电池组的充电需求功率,对于防止电池组过充电至关重要。由于电池组物理模型的复杂性使基于其充电需求功率预测方法通常难以构建,且实时性不高。此外,单一预测模型... 详细信息

当电动汽车(Electric vehicle,EV)与充电桩连接时,精确预测电动汽车动力电池组的充电需求功率,对于防止电池组过充电至关重要。由于电池组物理模型的复杂性使基于其充电需求功率预测方法通常难以构建,且实时性不高。此外,单一预测模型的预测精度偏低。针对上述问题,结合充电数据与机器学习,提出一种基于强化学习与变权组合模型的EV充电需求功率预测方法。在传统灰狼优化算法的基础上,将混沌映射、精英反向学习策略相结合以提高初始种群的质量,利用强化学习的动态权重策略更新灰狼个体位置来优化最小二乘支持向量机(Least square support vector machine,LSSVM)算法中的参数;通过基于时变权重分配的变权组合方法合理分配极限学习机预测模型与改进LSSVM预测模型的权重,解决单一预测模型方法的不足;采用电动汽车的实际充电数据对所提预测算法进行验证,新方法相较于其他3种传统方法在预测精度上分别提高了4.75%、3.84%和0.38%。

关键词：充电需求功率变权组合强化学习灰狼优化算法最小二乘支持向量机

来源：评论

学校读者我要写书评

暂无评论

特征注意金字塔调制网络的视频目标分割

引用

中国图象图形学报 2019年第8期24卷 1349-1357页

作者：汤润发宋慧慧张开华姜斯浩南京信息工程大学大气环境与装备技术协同创新中心江苏省大数据分析技术重点实验室南京210044

目的视频目标分割是在给定第1帧标注对象掩模条件下,实现对整个视频序列中感兴趣目标的分割。但是由于分割对象尺度的多样性,现有的视频目标分割算法缺乏有效的策略来融合不同尺度的特征信息。因此,本文提出一种特征注意金字塔调制网络... 详细信息

目的视频目标分割是在给定第1帧标注对象掩模条件下,实现对整个视频序列中感兴趣目标的分割。但是由于分割对象尺度的多样性,现有的视频目标分割算法缺乏有效的策略来融合不同尺度的特征信息。因此,本文提出一种特征注意金字塔调制网络模块用于视频目标分割。方法首先利用视觉调制器网络和空间调制器网络学习分割对象的视觉和空间信息,并以此为先验引导分割模型适应特定对象的外观。然后通过特征注意金字塔模块挖掘全局上下文信息,解决分割对象多尺度的问题。结果实验表明,在DAVIS 2016数据集上,本文方法在不使用在线微调的情况下,与使用在线微调的最先进方法相比,表现出更具竞争力的结果,J-mean指标达到了78. 7%。在使用在线微调后,本文方法的性能在DAVIS 2017数据集上实现了最好的结果,J-mean指标达到了68. 8%。结论特征注意金字塔调制网络的视频目标分割算法在对感兴趣对象分割的同时,针对不同尺度的对象掩模能有效结合上下文信息,减少细节信息的丢失,实现高质量视频对象分割。

关键词：视频对象分割全卷积网络调制器空间金字塔注意机制

来源：评论

学校读者我要写书评

暂无评论

产品表面缺陷检测的多通路阈值收缩融合网络

引用

计算机工程与应用 2023年第10期59卷 162-170页

作者：耿玉标岳志远闫麒名孙玉宝南京信息工程大学江苏省大数据分析技术重点实验室、江苏省大气环境与装备技术协同创新中心南京210044

产品表面缺陷检测任务的重点是对产品表面图像中的异常缺陷区域进行自动检测和分割。然而实际应用中,由于噪声的退化影响和缺陷类型的复杂多样,产品表面缺陷检测仍然是一项具有挑战性的任务。为了应对这些问题,提出了产品表面缺陷检测... 详细信息

产品表面缺陷检测任务的重点是对产品表面图像中的异常缺陷区域进行自动检测和分割。然而实际应用中,由于噪声的退化影响和缺陷类型的复杂多样,产品表面缺陷检测仍然是一项具有挑战性的任务。为了应对这些问题,提出了产品表面缺陷检测的多通路阈值收缩融合网络。在各尺度通路中,为了降低噪声干扰,该网络设计了自适应阈值收缩去噪模块,通过双支路自主学习水平和垂直方向的收缩阈值,去除特征中的干扰噪声并且保留有效背景信息,从而实现自适应去噪。为了更准确定位缺陷对象,设计了上下文三维注意力融合模块,通过水平聚合和垂直聚合生成三维注意力图,增强异常区域特征。最终将平行的多尺度特征融合,实现对不同尺度以及不同类型缺陷的有效检测。将所构建模型在SD-900和MVTec-AD数据集上与最新的8种方法进行比较,实验结果表明该模型能够有效提升检测精度,并能够对噪声干扰保持鲁棒性,消融实验也验证了自适应阈值收缩去噪模块和上下文三维注意力模块融合的有效性。

关键词：缺陷检测多尺度融合网络自适应阈值去噪上下文三维注意力

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：