卷积
- 面向内存受限设备的新型卷积计算方法
210023)卷积神经网络因其出色的特征提取能力，在图像分类、目标检测、语义分割等计算机视觉领域被广泛应用并发挥重要作用［1－2］。但卷积神经网络需要较高的计算复杂度和内存消耗量，通常部署在云端进行计算，这在一定程度上限制了卷积神经网络的应用场景。近年来，随着物联网设备的普及，这些设备产生的数据量呈现爆炸式增长，给云端计算带来极大的负担。此外，将数据传输到云端进行计算也带来了数据安全和响应延迟等问题［3］。为解决上述问题，边缘智能的概念被提出［4－5］，
南京邮电大学学报(自然科学版) 2022年5期2022-11-23
- 有限长序列循环卷积的求解
6)1 引言线性卷积和循环卷积是信号处理类课程教学的重要知识点。二者的定义、常用性质、计算方法和异同点也是教学的难点之一。离散线性时不变系统的零状态响应可通过激励序列与系统的单位脉冲响应卷积求得。陈辉金在文献1中提出了圆周卷积的竖式求解方法，该方法的本质是在线性卷积的对位相乘法基础上拓展而来的，利用了圆周卷积是线性卷积的周期延拓这一结论，该方法简单易学，便于学生理解圆周卷积的本质[1]。文献2 在分析循环卷积与线性卷积关系的基础上提出了一种基于序号和匹配的
电脑知识与技术 2022年24期2022-09-21
- 卷积式的拓方运算及其应用
文献[1]给出的卷积式基础上，提出了卷积式的拓方运算，研究了其运算性质，进而提出了高次组合数及相关公式.运用该运算及一些数学方法和技术[2-9]，解决了若干个多项式积的展开问题及2 类Stirling数的卷积式表示问题.文中相关符号含义见文献[1-2].m×(n+1)型卷积式指的是项的和，这些项取自其中的不同行，每一项的形式为a1j1a2j2…amjm，且j1+j2+…jm=n.定义（卷积式的拓方）用符号表示卷积式的r（r为整数）次拓方，其满足条件：（1）
高师理科学刊 2022年7期2022-08-12
- 一种基于FPGA的高性能MobileNet加速器
取得了很多成果。卷积神经网络(convolutional nerual network)作为深度学习最具代表性的算法之一，近几年来也取得了极大的发展，一些新的优化算法和改良的卷积神经网络模型结构被不断提出。MobileNet是谷歌在2017年发布的一种轻量级卷积神经网络模型[1]，与传统的卷积神经网络模型相比，它在保证精度损失不大的前提下，弥补了传统卷积神经网络模型过于巨大导致的无法应用于嵌入式设备的不足。目前基于MobileNet的现场可编程门陈列(fi
机械制造与自动化 2022年3期2022-06-24
- Winograd 快速卷积相关研究综述
长沙410073卷积神经网络（convolutional neural network，CNN）在计算机视觉、自然语言处理等任务上应用广泛。越来越多的研究尝试加速CNN 的训练和推理，使用快速卷积算子就是其中的重要方法。快速卷积算子包括快速傅里叶变换（fast Fourier transformation，FFT）卷积和Winograd 卷积，这类卷积通过把输入特征映射和卷积核线性变换到相应的空间，将原来的运算转换为对应位相乘，运算结果再经过逆线性变换即可
计算机与生活 2022年5期2022-05-17
- 轻量化神经网络卷积设计研究进展
学者在网络结构和卷积方面对轻量化方法进行了研究，并取得了大量成果，诞生了很多贴合实际应用需求的优秀轻量化神经网络模型。2012 年AlexNet的惊艳亮相为神经网络发展提供了改进思路，使得ZF-Net、VGG-Nets、GoogleNet、ResNet以及DenseNet等众多网络模型可以采用加深网络和增强卷积功能的方式来提升网络识别准确率。该方式使得模型性能有了显著提升，但网络结构较之前更为复杂，使得所需计算量和内存大大增加。上述模型以提升准确率为主要目
计算机与生活 2022年3期2022-03-13
- 轻量级可形变卷积神经网络DPCNs研究
[1-2]。然而卷积神经网络由于其构建模块固定的几何结构天然地局限于建模的几何变换，导致检测效果不理想，而可形变卷积可以提高模型对发生形变物体的建模能力。黄凤琪等[3]提出一种基于可形变卷积的YOLO检测算法。张善文等[4]在VGG的基础上提出一种可形变VGG模型，应用于害虫检测。虽然可形变卷积网络在检测精度上相较于普通卷积网络有很大提升，但是可形变卷积会产生巨大的计算开销，导致检测速度降低。本文提出了一种方法：采用可形变逐点卷积来提升检测速度。通过实验证
信息记录材料 2022年12期2022-02-15
- 卷积神经网络的卷积加速算法分析
006)0 引言卷积神经网络是目前人工智能领域最前沿的深度学习算法之一，被广泛应用在自然语言处理、图像识别等多个领域。卷积层这一重要组成部分主要由卷积运算实现，但由于资源消耗严重，故在高实时性的应用场合很难满足数据处理时间的要求。因此，研究人员使用了各种算法加速卷积，以提高其在视频流处理、高速运动物体识别等应用场合的实时性。本文介绍了卷积运算的加速算法，详述其理论基础，介绍了这些算法在几个经典卷积神经网络架构中体现出的效果，并提出了对加速算法实现方式的展望
山西电子技术 2021年6期2021-12-24
- 快速卷积算法的综述研究 *
发展，研究人员对卷积神经网络CNN(Convolutional Neural Network)的研究工作[1 - 3]将会把重心放在更大规模和更高准确率上，在卷积神经网络中，更大规模和更高准确率需要更快速更准确的运算，所以研究卷积神经网络的加速方法很重要。与此同时，针对卷积神经网络的加速优化近年来也有了快速的发展，如低秩分解、定点运算、矢量量化、稀疏表示[4]、剪枝[5]和快速卷积[6 - 10]等，实现了卷积神经网络整体的加速效果。在一个卷积神经网络[1
计算机工程与科学 2021年10期2021-10-26
- 一种并行不对称空洞卷积模块①
311121)卷积神经网络广泛应用于图像分类、语义分割和图像生成等计算机视觉领域,其通过卷积核对图像中的局部区域做卷积,以提取图像中的特征,在每一层的卷积中通过参数共享以减少模型复杂度,之后结合池化操作实现位移不变性的识别.现有的卷积神经网络普遍将3×3 卷积作为其基本构建模块.对于卷积神经网络而言,卷积核的感受野、深度以及通道数决定了网络的性能.感受野越大,表示特征图上像素点映射的区域越大;深度决定了网络的抽象能力或学习能力;通道数决定了卷积核所包含的
计算机系统应用 2021年9期2021-10-11
- 卷积神经网络模型研究分析*
仁554300)卷积神经网络是一种局部提取特征的方法，可以有效地响应局部模式，用这种方法提取整张图片的特征，它是平移不变模式。在网络逐层累加的过程中，对图像进行了缩放。卷积神经网络的核心是卷积层和池化层。1 卷积神经网络的核心运算1.1 卷积层的运算(1)输入：W1×H1×D1。(2)超参数：卷积核的个数：K，卷积核的尺寸：F，步长：S，填充：P。(3)输出：W2×H2×D2，(4)参数：(F×F×D1+1)×K，其中，W是图像的宽度，H是图像的高度，D是
科技创新与应用 2021年23期2021-08-30
- GSDCPeleeNet：基于PeleeNet 的高效轻量化卷积神经网络
速度的不断突破，卷积神经网络在近年来得以迅速发展。 2012年，AlexNet[1]在ImageNet 大规模视觉识别挑战赛中获得了图像分类冠军。之后，为了提高网络模型的准确率，研究人员不断地加深卷积网络的深度，相继提出了性能更加优越的卷积神经网络，如VGG16[2]、GoogLeNet[3]和DenseNet[4]等。这些网络准确率普遍较高，但是有着非常复杂的模型和很深的层次，参数量十分巨大。 在实际生活的应用中，模型往往需要在资源有限的嵌入式设备和移动
电子技术应用 2021年3期2021-04-02
- 基于深度学习下的卷积神经网络参数学习
神经网络，而深度卷积神经网络（Convolutional neural net⁃works，CNN）则是其中一种经典而广泛应用的结构.近些年来，深度卷积神经网络已经在许多领域应用中表现出了优异的结果［2］.卷积神经网络是一类具有深度结构且包含卷积计算的神经网络，它具有权值共享、局部连接及卷积池化操作等特性.这些特性可以有效的减少训练参数的数目、降低网络的复杂计算度，使得模型具有强鲁棒性和容错能力.正因为有这些特性，卷积神经网络在各种信号和信息处理任务中的性
渤海大学学报（自然科学版） 2021年4期2021-03-17
- 积分变换中卷积的微分性质
050021)卷积是分析数学中一种重要的运算，是一种积分变换的数学方法，它是通过两个函数生成第三个函数的一种数学算子.卷积与Fourier变换，以及Fourier变换的特殊形式Laplace变换，都有着密切的关系，尤其是卷积定理，把函数卷积的积分变换和函数积分变换的乘积联系起来，大大简化了卷积的计算量，使得Fourier分析中许多问题的处理得到简化.同样，卷积自身又有着诸如数乘、微分、积分、不等式等各种运算性质以及运算规律，其中卷积的微分性质尤其处于显要
长沙大学学报 2019年5期2019-11-12
- 基于F-CNN的雷达目标辨识算法
[6]。姚毅等将卷积神经网络(Convolu-tional Neural Network, CNN)运用到雷达反欺骗干扰领域[7]，不依赖设计者的经验，采用数据训练，取得了98.83%的识别率。但是，姚毅等搭建的卷积神经网络存在识别参数庞大的问题，不利于实时处理。本文提出了一种基于分解卷积神经网络(Factorized Convolutional Neural Network, F-CNN)的雷达目标辨识算法。以深度可分离卷积[7](Depthwise S
雷达科学与技术 2019年1期2019-03-22
- 基于卷积神经网络的图像语义分割技术
速发展之后，基于卷积神经网络的全卷积神经网络（Fully convolutional networks，FCN）等网络的提出使得图像分割进入了新的阶段，像素不仅能够按照物体类别进行分类，图像分割精度也得以提升。2 卷积神经网络的工作原理卷积神经网络的意义在于训练出能够识别图像特征的卷积核。当卷积核在整个图像上滑动之后，输出特征图中的相应位置就被赋予了高低不一的数值，特定曲线及周边区域所对应的位置数值高，其他区域数值低。也就是说，特定的卷积核能够将特定的特征
电子技术与软件工程 2019年1期2019-01-30
- 基于DSD和剪枝的模型压缩与加速
现出许多高性能的卷积神经网络模型。在过去几年中，卷积神经网络模型的结构愈发复杂，直接导致参数和卷积操作数大幅增加，使得模型体积增大、运行时间增长。当这些网络被布置到传感器和移动设备上时，由于有限的存储空间和计算资源，使得模型的运行效果无法达到最佳。因此针对卷积神经网路模型压缩和加速的研究成为卷积神经网络领域的一大热点。传统模型压缩研究的方法主要分为两种：(1)通过剪枝去除冗余权重。如Denton[1]等人利用神经网络的线性结构，通过寻找一个合适的低秩逼近以
微型电脑应用 2018年11期2018-11-22
- 基于统计分析的卷积神经网络模型压缩方法①
[1]构建的深度卷积神经网络AlexNet才在图像分类领域取得了惊人的成绩,卷积神经网络(CNN)在计算机视觉领域包括图像分类[1],目标检测[2]、图像语义分割[3]、视频分类[4]得到了广泛的应用[5].之后,层数更多、更加精细设计的深度卷积神经网络结构相继被提出,比如VggNet[6]、GoogLenet[7]、ResNet[8]在ImageNet[9]上取得了更好的成绩.除此之外,卷积神经网络在人工智能[10],自然语言处理[11],故障诊断[12
计算机系统应用 2018年8期2018-08-17
- 卷积积分的快速分段和定限方法
241000)卷积积分的快速分段和定限方法海 涛(安徽工程大学 电气工程学院，安徽 芜湖 241000)卷积积分在积分变换、控制理论、信号与系统以及电路分析等学科中应用广泛，是一个重要的数学工具．虽然卷积积分的计算方法较多，但要准确计算出卷积积分并非易事，正确地分段和定限是计算卷积积分的两大难点．从卷积积分的定义出发，经严密的数学推导获得一种卷积积分的快速分段和定限方法．在此基础上，进一步绘制出卷积积分的快速分段和定限图，使得卷积积分的分段和定限更加直观
安徽工程大学学报 2016年5期2016-12-19
- 《数字信号处理》中几种卷积教学探讨
周艳玲摘要：线性卷积，周期卷积和循环卷积是《数字信号处理》中的难点和重点。阐述了这三种卷积的概念及相互联系，将线性卷积和循环卷积联系起来，利用循环卷积的计算速度解决线性卷积表达的实际问题，并在matlab上验证了循环卷积的运算速度优势，有助于学生理解并掌握卷积的物理意义和使用方法。关键词：数字信号处理；线性卷积；循环卷积；Matlab中图分类号：G4文献标识码：A文章编号：16723198（2015）080136011前言线性卷积，周期卷积和循环卷积在《数
现代商贸工业 2015年8期2015-06-08
- 循环卷积的快速算法研究
分析与处理领域，卷积是一个极其重要的内容，卷积分为线性卷积与循环卷积［1］.对于数字（离散）信号，目前计算卷积有几种途径：图解法、竖式法、直接卷积法等.图解法是画出有限或无限长序列，通过其变换叠加而得出结果，其特点是直观明了；竖式法是将两个序列写成竖式相乘的形式，再进行相乘与相加运算，特点是运算简便且不易出错；直接卷积法是套用公式进行卷积计算，其优点是思路清晰［2－3］.针对循环卷积计算过程复杂的问题，目前也有一些新的算法提出，譬如桂林电子科技大学的陈辉金
湖北大学学报(自然科学版) 2014年4期2014-06-23
- “数字信号处理”中循环卷积的简单计算方法
序列与输入序列的卷积(线性卷积)。“数字信号处理”课程中又定义了两个有限长序列的循环卷积运算。可以利用离散傅里叶变换的时域循环卷积性质来计算两个序列的线性卷积，而离散傅里叶变换可以通过快速傅里叶变换完成。通常的《数字信号处理》教材中讨论循环卷积时，给出了计算公式和计算实例，但都是从定义出发，计算过程复杂。本文从线性卷积的简单计算方法入手，利用线性卷积与循环卷积的关系，提出一个非常简便的计算循环卷积方法。1 线性卷积和循环卷积及其关系首先定义模运算。对任意整
电气电子教学学报 2012年6期2012-10-12
- 关于卷积的运算规则及存在性
中，图解法是进行卷积运算的常用方法，然而在很多场合下直接用公式计算会更加便利，最关键的是积分上、下限的确定。我们发现，学生通常对时限信号和因果信号卷积较为熟悉，而对于其它情况下的卷积则不尽然，或者说没有概括性的了解。此外，关于卷积的存在问题书上也很少论及。本文对卷积在各种情况下的运算规则进行了归纳，并探讨了卷积的存在性以及它对卷积性质的影响，以期对学生更好地学习“信号与系统”课程提供帮助。1 卷积的运算规则及存在性1.1 常义函数卷积一定存在的情况函数卷积
电气电子教学学报 2012年2期2012-04-26