期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于Jetson TX1的目标检测系统 预览
1
作者 葛雯 张雯婷 孙旭泽 《沈阳工业大学学报》 CAS 北大核心 2019年第5期539-543,共5页
针对目标检测算法在实际应用中速度仍需提高的问题,提出一种改进的YOLOv3算法.通过将多层次特征金字塔网络嵌入到YOLOv3算法中的DarkNet-53网络,解决了由实际检测对象尺度差异引起的误差问题,既增加了输出特征的尺度,又加深了网络层数;... 针对目标检测算法在实际应用中速度仍需提高的问题,提出一种改进的YOLOv3算法.通过将多层次特征金字塔网络嵌入到YOLOv3算法中的DarkNet-53网络,解决了由实际检测对象尺度差异引起的误差问题,既增加了输出特征的尺度,又加深了网络层数;并针对损失函数中的激活函数零均值、梯度消失等问题,提出了一种新的激活函数.实验结果表明,改进的YOLOv3算法可以更好地对多尺度目标进行检测,提高了检测速度和准确性,并在硬件上实现时具有较为高效的性能表现. 展开更多
关键词 目标检测 YOLOv3算法 多层次特征金字塔 尺度差异 激活函数 零均值 梯度消失 多尺度目标
在线阅读 下载PDF
一种利用知识迁移的卷积神经网络训练策略
2
作者 罗可 周安众 罗潇 《控制与决策》 EI CSCD 北大核心 2019年第3期511-518,共8页
针对深层卷积神经网络在有限标记样本下训练时存在的过拟合和梯度弥散问题,提出一种从源模型中迁移知识训练一个深层目标模型的策略.迁移的知识包括样本的类别分布和源模型的低层特征,类别分布提供了样本的类间相关信息,扩展了训练集的... 针对深层卷积神经网络在有限标记样本下训练时存在的过拟合和梯度弥散问题,提出一种从源模型中迁移知识训练一个深层目标模型的策略.迁移的知识包括样本的类别分布和源模型的低层特征,类别分布提供了样本的类间相关信息,扩展了训练集的监督信息,可以缓解样本不足的问题;低层特征包含样本的局部特征,在相关任务的迁移过程中具有一般性,可以使目标模型跳出局部最小值区域.利用这两部分知识对目标模型进行预训练,能够使模型收敛到较好的位置,之后再用真实标记样本进行微调.实验结果表明,所提方法能够增强模型的抗过拟合能力,并提升预测精度. 展开更多
关键词 卷积神经网络 知识迁移 过拟合 梯度弥散 预训练 微调
基于简单循环单元的深层神经网络机器翻译模型 预览
3
作者 张文 冯洋 刘群 《中文信息学报》 CSCD 北大核心 2018年第10期36-44,共9页
基于注意力机制的神经网络机器翻译模型已经成为目前主流的翻译模型,在许多翻译方向上均超过了统计机器翻译模型,尤其是在训练语料规模比较大的情况下,优势更加明显。该模型使用编码器—解码器框架,将翻译任务建模成序列到序列的问题。... 基于注意力机制的神经网络机器翻译模型已经成为目前主流的翻译模型,在许多翻译方向上均超过了统计机器翻译模型,尤其是在训练语料规模比较大的情况下,优势更加明显。该模型使用编码器—解码器框架,将翻译任务建模成序列到序列的问题。然而,在基于门控循环单元(gated recurrent unit,GRU)的编码器—解码器模型中,随着模型层数的增加,梯度消失的问题使模型难以收敛并且严重退化,进而使翻译性能下降。该文使用了一种简单循环单元(simple recurrent unit,SRU)代替GRU单元,通过堆叠网络层数加深编码器和解码器的结构,提高了神经网络机器翻译模型的性能。我们在德语—英语和维语—汉语翻译任务上进行了实验,实验结果表明,在神经网络机器翻译模型中使用SRU单元,可以有效地解决梯度消失带来的模型难以训练的问题;通过加深模型能够显著地提升系统的翻译性能,同时保证训练速度基本不变。此外,我们还与基于残差连接(residual connections)的神经网络机器翻译模型进行了实验对比,实验结果表明,我们的模型有显著性优势。 展开更多
关键词 门控循环单元 梯度消失 残差连接 简单循环单元
在线阅读 下载PDF
基于密集连接网络的图像隐写分析 预览
4
作者 高培贤 魏立线 +1 位作者 刘佳 刘明明 《计算机工程与应用》 CSCD 北大核心 2018年第15期74-77,146共5页
针对目前传统的隐写分析技术对特征集要求越来越高的问题,构建了一个密集连接网络模型(Steganalysis-DenselyConnectedConvolutionalNetworks,S-DCCN)进行图像隐写分析,避免了人工提取特征,提高了隐写分析效率。首先,在网络层之前添加... 针对目前传统的隐写分析技术对特征集要求越来越高的问题,构建了一个密集连接网络模型(Steganalysis-DenselyConnectedConvolutionalNetworks,S-DCCN)进行图像隐写分析,避免了人工提取特征,提高了隐写分析效率。首先,在网络层之前添加高通滤波层(HPF)进行滤波,加快模型训练速度。经过滤波后的图像进入两层卷积层进行特征提取,在卷积层之后使用了5组密集连接模块来解决网络加深带来的梯度消失问题,密集连接模块之间通过过度层来控制整个网络的宽度。实验结果表明,相比传统的图像隐写分析算法和卷积神经网络技术,该模型有效提高了隐写分析的准确率和泛化性能。 展开更多
关键词 隐写分析 神经网络 密集连接 梯度消失
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部 意见反馈