-
公开(公告)号：CN110782001B
公开(公告)日：2024-04-09
申请号：CN201910858423.X
申请日：2019-09-11
Applicant: 东南大学
IPC: G06N3/0464 , G06N3/063
Abstract: 本发明公开了一种基于组卷积神经网络使用共享卷积核的改进方法，在一般的分组卷积中每个组都占用了与其他组不同的卷积核，这对硬件实现上带来许多不变。针对这个问题，提出了共享卷积核组卷积(KSGC)的概念，即将输入的通道平均分成多个组，并且对每个组分别进行卷积操作，特别之处在于，这个输入通道中的所有组都使用的是同一个卷积核进行卷积，在此基础上，还将组与组之间有信息交流的组卷积的卷积核改为共享的进行测试。这种共享卷积核组网络，使用了更少的参数，提高了卷积神经网络的计算效率，进一步解决了神经网络参数复杂度过高的问题，在硬件上也减少了逻辑资源消耗。
-
Patent Agency Ranking
公开(公告)号：CN110782001A
公开(公告)日：2020-02-11
申请号：CN201910858423.X
申请日：2019-09-11
Applicant: 东南大学
Abstract: 本发明公开了一种基于组卷积神经网络使用共享卷积核的改进方法，在一般的分组卷积中每个组都占用了与其他组不同的卷积核，这对硬件实现上带来许多不变。针对这个问题，提出了共享卷积核组卷积(KSGC)的概念，即将输入的通道平均分成多个组，并且对每个组分别进行卷积操作，特别之处在于，这个输入通道中的所有组都使用的是同一个卷积核进行卷积，在此基础上，还将组与组之间有信息交流的组卷积的卷积核改为共享的进行测试。这种共享卷积核组网络，使用了更少的参数，提高了卷积神经网络的计算效率，进一步解决了神经网络参数复杂度过高的问题，在硬件上也减少了逻辑资源消耗。
-
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
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
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
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。
-
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
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。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
