公开(公告)号：CN110728354B

公开(公告)日：2024-04-09

申请号：CN201910858428.2

申请日：2019-09-11

Applicant: 东南大学

Inventor： 段斌 ,  张萌 ,  李国庆 ,  吕峰 ,  李娇杰

IPC: G06N3/0464

Abstract: 本发明公开了一种改进的滑动式分组卷积神经网络，在总通道里取第一个通道到第G个通道为第一组输入进行卷积，经过卷积操作后输出S个通道，接着，以第一组输入长度G在总通道上进行滑动，S作为滑动的步长，第二组卷积的输入为总通道数的第S+1个通道到第S+G，总共仍是G个通道作为一组输入进行卷积操作，并输出S个通道，以此类推；特别之处在于，后一组输入通道的前G‑S个通道与前一组输入通道的后G‑S个通道是共享的，每组之间都按照这种关系来进行信息交流。本发明进一步解决了神经网络参数复杂度过高的问题，且测试准确度有所提高。本发明是一种结合全精度高效神经网络的算法硬件协同压缩方法，并且降低了硬件资源消耗。

公开(公告)号：CN113344188A

公开(公告)日：2021-09-03

申请号：CN202110676000.3

申请日：2021-06-18

Applicant: 东南大学

Inventor： 张萌 ,  吕锋 ,  李国庆 ,  李娇杰

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于通道注意力模块的轻量级神经网络模型，该模型基本模块是由深度可分离卷积、逐点卷积以及通道注意力模块相互结合而成。利用深度可分离卷积替换标准卷积能够降低参数量与计算量，而逐点卷积能够实现跨通道之间图像特征信息的融合；最后引入通道注意力机制，一方面增加图像特征信息之间的交互，提升卷积效率，另一方面则能够通过学习图像全局信息来有选择性地加强包含有用信息的特征并抑制无用信息特征。基于此构建的轻量级神经网络模型DCCANet相比于目前主流轻量级神经网络模型，在COCO数据集目标检测与实例分割任务中，检测精度与实例分割精度以及响应速度都有了明显的提升。

公开(公告)号：CN110781912A

公开(公告)日：2020-02-11

申请号：CN201910852719.0

申请日：2019-09-10

Applicant: 东南大学

Inventor： 李娇杰 ,  张萌 ,  李国庆 ,  吕锋 ,  段斌

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于通道扩张倒置卷积神经网络的图像分类方法，包括(1)将大规模图像数据集生成训练图像集和测试图像集；(2)对训练图像集中的图像进行标准卷积操作，输出特征图像；(3)采用DPDNet卷积倒置块对步骤(2)输出的特征图像进行卷积操作；(4)对步骤(3)输出的特征图像经过全局平均池化层，得到1×1的输出特征图像；(5)将步骤(4)得到的尺寸为1×1的输出特征图像通过全连接层，最后接入一个归一化指数函数层完成对训练图像的分类，即得到DPDNet卷积神经网络模型。将测试图像集中的图像输入至经过步骤(2)-(5)后得到的DPDNet卷积神经网络模型中，完成图像分类。本发明测试结果明显提高。

公开(公告)号：CN110728354A

公开(公告)日：2020-01-24

申请号：CN201910858428.2

申请日：2019-09-11

Applicant: 东南大学

Inventor： 段斌 ,  张萌 ,  李国庆 ,  吕峰 ,  李娇杰

IPC: G06N3/04

Abstract: 本发明公开了一种改进的滑动式分组卷积神经网络，在总通道里取第一个通道到第G个通道为第一组输入进行卷积，经过卷积操作后输出S个通道，接着，以第一组输入长度G在总通道上进行滑动，S作为滑动的步长，第二组卷积的输入为总通道数的第S+1个通道到第S+G，总共仍是G个通道作为一组输入进行卷积操作，并输出S个通道，以此类推；特别之处在于，后一组输入通道的前G-S个通道与前一组输入通道的后G-S个通道是共享的，每组之间都按照这种关系来进行信息交流。本发明进一步解决了神经网络参数复杂度过高的问题，且测试准确度有所提高。本发明是一种结合全精度高效神经网络的算法硬件协同压缩方法，并且降低了硬件资源消耗。

公开(公告)号：CN110728352A

公开(公告)日：2020-01-24

申请号：CN201910851853.9

申请日：2019-09-10

Applicant: 东南大学

Inventor： 张萌 ,  李娇杰 ,  李国庆 ,  吕锋 ,  段斌

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明公开了一种基于深度卷积神经网络的大规模图像分类方法，包括将大规模图像数据集分为训练图像集和测试图像集；使用标准卷积操作对训练图像集进行卷积操作，得到标准卷积后的图像；对得到的标准卷积后的图像采用PSD卷积进行操作，得到PSD卷积后的图像；将得到的PSD卷积后的图像经过全局平均池化层，得到1×1的输出特征图像；将得到的1×1的输出特征图像通过全连接层，最后接入一个归一化指数函数层完成对训练图像的分类，即得到PSDNet卷积神经网络模型。将测试图像集中的图像输入得到的PSDNet卷积神经网络模型中，完成图像分类。本发明测试结果有明显的提高。