-
公开(公告)号：CN111582057A
公开(公告)日：2020-08-25
申请号：CN202010310755.7
申请日：2020-04-20
Applicant: 东南大学
Abstract: 本发明公开了一种基于局部感受野的人脸验证方法，属于计算、推算或计数的技术领域。步骤是：建立外部数据集，对数据集中的样本进行数据增强；建立卷积神经网络，该卷积神经网络的输入为彩色图片，输出为图片中人脸区域对应的特征向量和人脸位置的预测框坐标，测试时根据预测框在图像中的位置输出对应区域的特征向量；利用测试集对预训练好的卷积神经网络进行测试并根据测试结果对卷积神经网络进行微调。本发明根据深度神经网络的平移不变性，利用一个网络有效提取出人脸区域的特征，使特征向量的感受野恰好仅包含人脸，从而有效减少背景信息带来的噪声，保证人脸验证的准确率，同时提升了网络计算的并行度，大大简化了训练过程。
-
公开(公告)号：CN104168227A
公开(公告)日：2014-11-26
申请号：CN201410380674.9
申请日：2014-08-04
Applicant: 东南大学
Abstract: 本发明公开了一种应用于正交频分复用系统中载波同步的方法，包括以下步骤：1)OFDM系统的发射模块在有效OFDM符号前发送用于载波频偏估计的训练序列；2)根据接收到的训练序列的第一组移位相关序列的相位信息进行粗载波频偏估计；3)根据接收到的训练序列的第二组移位相关序列的相位信息进行细载波频偏估计；4)根据粗载波频偏估计值与细载波频偏估计值得到总的载波频偏估计值；5)根据总的载波频偏估计值进行载波频偏补偿；本发明提出的载波同步方法不依赖训练序列的特殊结构，能够有较好的估计性能和较低的复杂度,同时本发明的算法拥有较大的估计范围以及较小的估计均方误差，在高斯白噪声信道和多径衰落信道都有良好的性能。
-
公开(公告)号：CN112329910B
公开(公告)日：2024-06-04
申请号：CN202011071970.2
申请日：2020-10-09
Applicant: 东南大学
IPC: G06N3/0464 , G06N3/082 , G06N3/084
Abstract: 本发明提出了一种面向结构剪枝结合量化的深度卷积神经网络压缩方法，属于计算、推算或计数的技术领域。该压缩方法在反向传播的过程中通过梯度下降的方式更新权重参数，并根据网络损失精度对更新后的权重进行结构剪枝，实现权重参数的可连续更新并加快卷积计算的处理速度。本发明利用FPGA实现的加速器以该压缩方法得到的权重编码为输入数据，通过包括448个SQPE的并行计算阵列实现高并行特征值与结构剪枝后权重的移位累加操作，支持不同压缩率结构化剪枝后的稀疏网络的卷积操作，实现了硬件友好型低功耗高吞吐量的加速器。
-
公开(公告)号：CN111783532B
公开(公告)日：2024-05-17
申请号：CN202010459828.9
申请日：2020-05-27
Applicant: 东南大学
IPC: G06V40/16 , G06V10/44 , G06V10/74 , G06V10/774 , G06N3/0464
Abstract: 本发明公开了一种基于在线学习的跨年龄人脸识别方法，属于计算、推算或计数的技术领域。该方法，通过人脸特征提取网络级联年龄特征分离网络的模型结构实现，在外部数据集上训练人脸特征提取网络，使得模型具备对人脸进行特征提取的能力；使用跨年龄人脸数据集对年龄特征分离部分进行身份识别和年龄预测的多任务训练，以获得鲁棒性更强的年龄不变的人脸特征向量；在实际场景使用中，可以根据新输入的样本对特征分离部分的参数进行微调，实现神经网络的在线学习。本发明在使用参数量较低的模型的同时，一定程度上提升了跨年龄人脸识别的能力，特征分离结构使得在线学习成为了可能，使模型具备了对新场景的自适应能力。
-
公开(公告)号：CN112786021B
公开(公告)日：2024-05-14
申请号：CN202110101761.6
申请日：2021-01-26
Applicant: 东南大学
Abstract: 本发明公开了一种基于分层量化的轻量级神经网络语音关键词识别方法，属于计算、推理、计数的技术领域。该系统包括：语音采集模块、特征提取模块、轻量级神网络加速器以及分层8bits量化模块等。轻量级神经网络采用深度可分离卷积神经网络和注意力机制Squeeze‑and‑Excitation，通过将传统卷积替换成深度可分离卷积，降低神经网络的参数量和计算量，通过引入注意力机制，标注卷积过程中不同通道上特征的重要程度，提高模型的识别准确率，通过对神经网络的权重值量化和激活值分层8bits量化，进一步降低模型的计算复杂度和神经网络的参数量，通过设计支持通道分离卷积和传统卷积的加速器，满足对数据带宽的不同需求，从而加速前向推理计算的过程。
-
Patent Agency Ranking
公开(公告)号：CN112329910A
公开(公告)日：2021-02-05
申请号：CN202011071970.2
申请日：2020-10-09
Applicant: 东南大学
Abstract: 本发明提出了一种面向结构剪枝结合量化的深度卷积神经网络压缩方法，属于计算、推算或计数的技术领域。该压缩方法在反向传播的过程中通过梯度下降的方式更新权重参数，并根据网络损失精度对更新后的权重进行结构剪枝，实现权重参数的可连续更新并加快卷积计算的处理速度。本发明利用FPGA实现的加速器以该压缩方法得到的权重编码为输入数据，通过包括448个SQPE的并行计算阵列实现高并行特征值与结构剪枝后权重的移位累加操作，支持不同压缩率结构化剪枝后的稀疏网络的卷积操作，实现了硬件友好型低功耗高吞吐量的加速器。
-
公开(公告)号：CN111242287A
公开(公告)日：2020-06-05
申请号：CN202010039831.5
申请日：2020-01-15
Applicant: 东南大学
Abstract: 本发明公开了一种基于通道L1范数剪枝的神经网络压缩方法，属于计算、推算或计数的技术领域。该方法在外部数据集上训练卷积神经网络后获取该网络的初始化权值参数；在卷积核通道方向上根据参数group将待剪枝卷积层的权值参数分为n个组，并分别求取每个组的L1范数；根据一定的阈值对L1范数大于阈值的组内权值进行剪枝，对L1范数小于阈值的组内权值予以保留并参与再训练。本发明在保证参数的特征提取能力不被压缩的同时在一定程度上减小剪枝对最终目标检测准确率的影响，解决了剪枝后准确率下降过多以及硬件实现难度大的问题。
-
公开(公告)号：CN111192291A
公开(公告)日：2020-05-22
申请号：CN201911242648.9
申请日：2019-12-06
Applicant: 东南大学 , 南京南大电子智慧型服务机器人研究院有限公司 , 江苏南大电子信息技术股份有限公司
Abstract: 本发明公开了一种基于级联回归与孪生网络的目标跟踪方法，在第一帧，将指定的目标图像及以目标图像为中心构建的搜索区域分别输入以孪生网络构成的特征提取网络，分别得到目标图像与搜索区域的特征图。将得到的不同层次的特征图按设计的Attention机制融合，并一同输入到后续的级联区域推荐网络之中。经过级联区域推荐网络之后得到各个锚框的分类及位置预测信息，并得到锚框的预测得分图。通过非极大值抑制以及添加余弦窗等操作筛选出得分最高的锚框，并根据回归的得到的位置信息得到最终的预测框。本发明与传统算法相比上述算法具有精度高，鲁棒性强以及运行效率高的优点。
-
公开(公告)号：CN112766479B
公开(公告)日：2022-11-11
申请号：CN202110100516.3
申请日：2021-01-26
Applicant: 东南大学
Abstract: 本发明公开一种基于FPGA的支持通道分离卷积的神经网络加速器，该加速器包括：Ping‑Pong寄存器文件、可配置数据流的输出特征值行映射单元ORMU阵列、功能单元模块以及存储器接口模块等；Ping‑Pong寄存器文件从控制处理器接受配置和控制字，完成计算后发出中断信号；ORMU阵列采用可配置的片上网络将ORMU单元和缓存互联，以满足不同数据带宽需求的神经网络的计算；功能单元模块用以实现Pooling池化、Relu激活以及批量归一化BN等功能；存储器接口模块用以传输权重和特征值。本发明通过灵活的分层网状片上网络，以支持通道分离卷积(逐通道卷积和逐点卷积)、传统卷积以及全连接对数据带宽的不同需求，从而保证较高的计算单元的利用率，极大的提升了推理/计算速度。
-
公开(公告)号：CN113313255A
公开(公告)日：2021-08-27
申请号：CN202110675052.9
申请日：2021-06-18
Applicant: 东南大学
Abstract: 本发明公开了一种基于神经网络架构搜索的无监督领域自适应方法，该方法通过构建可用于可微分网络架构搜索的网络结构，将实际输入样本的特征图和训练样本的特征图的欧式距离作为损失函数，按序交叉搜索更新网络的结构参数和权重参数，最后选择性能最优的一组参数构建网络模型；本发明使神经网络模型有更强的自适应能力，并且本方法中对网络中各操作赋予权重的结构，可以使网络结构的搜索和更新更加简便快捷、同时降低改变网络结构后的重训练所需的计算代价，使本方法易于在可移动嵌入式终端实施。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.048 seconds)
