检索结果-南通市图书馆

基于googlenet网络结构的改进算法研究

在线全文

学校读者我要写书评

暂无评论

基于GoogLeNet网络结构的改进算法研究

作者：王天兴杭州电子科技大学

学位级别：硕士

卷积神经网络是一种特殊的深度前馈网络。层级之间的全连接方式造成了参数冗余现象,进而导致网络模型的训练过程依赖相当数量的数据;卷积层通过局部连接的方式大大减少了网络模型的参数数量,降低了对训练数据量的依赖性。但卷积神经网... 详细信息

卷积神经网络是一种特殊的深度前馈网络。层级之间的全连接方式造成了参数冗余现象,进而导致网络模型的训练过程依赖相当数量的数据;卷积层通过局部连接的方式大大减少了网络模型的参数数量,降低了对训练数据量的依赖性。但卷积神经网络在目标分类任务中存在准确率较低,计算效率不高,对几何失真处理效果不佳等问题。针对上述问题,本文基于深度卷积神经网络Goog Le Net,分析了该模型在目标分类存在问题的原因,开展了对卷积神经网络结构和性能的研究。研究的主要内容安排如下:首先,本文结合深度学习框架进一步阐述了包括卷积层、池化层和激活函数在内的网络结构,监督方式,正则化方式,Goog Le Net模型和D-S证据理论。其次,针对单分类器分类不准确问题,以目标识别为应用背景,利用D-S证据理论对Goog Le Net不同层级的分类器进行信息融合,将模型对目标识别的准确率提高了5%。此外,该改进算法增加的计算开销可以忽略,且无需调节超参数,适用于层级之间存在一定独立性的深层网络。最后,针对Goog Le Net参数数量冗余和计算量大的问题,通过剪枝算法简化了网络结构,只保留卷积层和完全连接层中的强相关连接,获得了近似的网络模型,不影响网络后验概率估计的准确性。将原始Goog Le Net模型中将近1040万参数减少到65万,大约压缩了16倍,达到了压缩模型效果,证明了阈值剪枝算法对改进Goog Le Net模型训练过程的有效性。

关键词：卷积神经网络 googlenet 深度学习 D-S证据理论剪枝算法

基于稀疏卷积的googlenet网络硬件加速设计与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稀疏卷积的GoogLeNet网络硬件加速设计与实现

作者：白志鸿北京交通大学

学位级别：硕士

随着人工智能的快速发展,卷积神经网络成为了热门的研究领域。然而由于卷积神经网络的高复杂度计算,传统的CPU无法满足实时性要求。GPU虽然被广泛用于网络的训练中,但是由于其过高的功耗无法满足嵌入式应用需求。因此,FPGA凭借其低功耗... 详细信息

随着人工智能的快速发展,卷积神经网络成为了热门的研究领域。然而由于卷积神经网络的高复杂度计算,传统的CPU无法满足实时性要求。GPU虽然被广泛用于网络的训练中,但是由于其过高的功耗无法满足嵌入式应用需求。因此,FPGA凭借其低功耗、可重构、低延时的特点逐步成为研究的热点。目前传统在FPGA上部署卷积神经网络的方法主要是构建大型的乘累加阵列,该方法的最大性能受限于FPGA上乘法器单元的数量,并且无法利用卷积神经网络中参数量冗余的特点来获得更高的性能,针对这些问题,本文针对googlenet网络,创新性的使用以下方法进行解决:(1)提出多维度算法压缩框架包括剪枝、聚类和量化三种压缩算法来对googlenet网络进行轻量化以解决其存在的计算量大、参数量多的问题。根据剪枝率以及googlenet网络不同卷积层参数的分布,动态调整剪枝阈值,将不重要的参数去除,使用K-Means聚类算法对googlenet网络进行聚类,并提出根据网络卷积核大小以及非零参数量的不同设置不同的聚类类别来达到最优的聚类效果,最后结合Ristretto算法对googlenet网络进行8bit量化探索以降低模型的存储空间。实验结果表明,同时使用三种算法压缩后的googlenet网络模型的存储空间降为原模型的十分之一,计算量降为原模型的四分之一。(2)基于OpenCL异构计算框架,结合压缩后的googlenet网络模型以及课题组所提出的ABM-Sp Conv稀疏卷积算法,设计了面向稀疏googlenet网络的硬件架构。通过将卷积运算中加法、乘法解耦为两个阶段,先在加法单元中将权值对应的特征图数据相加,然后再将累加结果送到乘法单元中和对应的权值相乘,从而减少了乘法器单元的用量。并提出将googlenet网络中的归一化层和卷积层相融合的方法来进一步降低部署的难度以及对压缩后的网络模型参数进行编码以解决传统稀疏卷积算法中访存效率低的问题。最后本文设计了一套完整的设计空间探索流程,通过对资源、频率、性能进行理论建模分析,得到本文架构在目标板卡上的最优性能,为跨设备移植提供便利。本文将googlenet网络部署在Arria 10 GX FPGA开发板上并进行了实验,取得了非常好的结果。在最优电路参数的配置下,识别一张图片的时间为3.4毫秒,最大吞吐量为1456 GOPS,能效比是CPU的34倍,GPU的4倍,和之前最优的架构相比,速度提升了1倍,吞吐量提升了3倍。

关键词：稀疏卷积 googlenet OpenCL FPGA 图像识别异构计算

基于改进Goog Le Net的小电流接地系统故障选线方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电网技术 2022年第1期46卷 361-368页

作者：郝帅张旭马瑞泽文虎马旭安倍逸李嘉豪西安科技大学电气与控制工程学院陕西省西安市710054 西安科技大学安全科学与工程学院陕西省西安市710054

针对传统小电流接地系统故障选线方法准确率低、鲁棒性弱的问题,文章提出一种基于改进googlenet的小电流接地选线方法。首先,利用小波变换将零序电流信号映射为二维时频图,制备小电流接地数据集;然后,在googlenet网络基础上通过迁移学... 详细信息

针对传统小电流接地系统故障选线方法准确率低、鲁棒性弱的问题,文章提出一种基于改进googlenet的小电流接地选线方法。首先,利用小波变换将零序电流信号映射为二维时频图,制备小电流接地数据集;然后,在googlenet网络基础上通过迁移学习共享已训练模型权重来提高原网络检测精度;其次,在原网络全连接层前通过引入Batch-Normalization模块加快网络收敛速度,最终构建了googlenet-69小电流接地故障选线网络;最后,为了验证所提出算法的优势,在未考虑噪声情况和考虑噪声情况下,将本文算法与4种经典选线方法进行比较。实验结果表明,相比于对比算法,本文算法检测精度最高,当信噪比为15dB时,所提出算法的选线精度可以达到96.3%,具有较强的抗噪能力。

关键词：深度学习故障选线 googlenet 迁移学习小波变换

一种基于改进googlenet的油井故障识别方法

在线全文

学校读者我要写书评

暂无评论

江苏科技大学学报（自然科学版） 2021年第2期35卷 52-58页

作者：宋纯贺李泽熙于洪霞刘意杨冯铁英张雪健中国科学院沈阳自动化研究所机器人学国家重点实验室沈阳110016 中国科学院网络化控制系统重点实验室沈阳110016 中国科学院机器人与智能制造创新研究院沈阳110169 中国科学院沈阳自动化研究所沈阳110016 沈阳工业大学人工智能学院沈阳110870 杭州西奥电梯有限公司杭州311199

油井功图是油井工作状态分析和故障诊断的重要依据,深度学习为油井功图的识别提供了有效手段,针对合理的深度神经网络架构的选择问题,构建了一个用于油井故障诊断的大型功图数据集,提出一种基于改进googlenet网络结构的油井故障识别方法... 详细信息

油井功图是油井工作状态分析和故障诊断的重要依据,深度学习为油井功图的识别提供了有效手段,针对合理的深度神经网络架构的选择问题,构建了一个用于油井故障诊断的大型功图数据集,提出一种基于改进googlenet网络结构的油井故障识别方法,并对深度神经网络的结构、激活函数、归一化层、训练方法、学习率等重要参数对识别精度和训练时间的影响进行了详细的分析.实验表明,相对于广泛使用的LeNet、ResNet和基本googlenet等网络模型,提出的改进googlenet网络模型有着更高的准确率;同时相对于基本googlenet网络模型,所提模型的运行时间得到了有效的降低.

关键词：故障识别油井功图深度学习 googlenet

在线全文

学校读者我要写书评

暂无评论

基于googlenet的断刀检测系统

基于GoogleNet的断刀检测系统

作者：童诗佳华中科技大学

学位级别：硕士

工业4.0的不断推进,也进一步促使了人工智能与工业生产的结合。利用人工智能的方法,解决工业中的一些问题也成为发展过程中重要的一环。本文主要是对半径在5mm以内的小刀断刀进行检测。该大小的刀具在加工过程中一般出现断刀的情况,整... 详细信息

工业4.0的不断推进,也进一步促使了人工智能与工业生产的结合。利用人工智能的方法,解决工业中的一些问题也成为发展过程中重要的一环。本文主要是对半径在5mm以内的小刀断刀进行检测。该大小的刀具在加工过程中一般出现断刀的情况,整个断刀系统对该情况的检测有比较好的使用价值。通过GooleNet进行迁移学习,实现对断刀的检测。对于拍摄到的图片,首先通过模板匹配以及对图像的缩放等方法,去除无关的背景,并将其统一化到同等大小,这样可以有效的去除刀具的大小对最后结果影响,同时也增强了整个模型对刀具大小的适应性。然后将处理后的图片作为训练集,在训练过程中,通过参数的设定,以及对训练过程中出现的过拟合等问题进行处理,最后达到了90%左右的准确率,但是整个模型在拍摄条件比较差的情况中的表现并不是很好,整体准确率有一定幅度的下滑。针对出现的这些问题,通过对模型进行迁移学习,添加inception模块对原有的网络模型进行改进,增加了原有模型网络的深度和宽度,同时对原有模型中出现的过拟合的问题也有了比较好的解决,并且在整个训练过程中,训练的速度是原来速度的1.5倍,同时针对原来模型中对一些拍摄条件较差的图片也有比较好的学习结果,针对各种数据最后的准确率都可以保持稳定在96%左右。相对于原有模型,在准确率以及运行效率上都有一个比较大的提升。

关键词：深度学习卷积神经网络 googlenet 迁移学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

深度学习在基于叶片的油茶品种识别中的研究

南京林业大学学报（自然科学版） 2023年第3期47卷 29-36页

作者：尹显明棘玉张日清莫登奎彭邵锋韦维中南林业科技大学林学院湖南长沙410004 湖南省林业科学院湖南长沙410004 广西壮族自治区林业科学研究院广西南宁530002

【目的】采用深度学习方法开展基于叶片的油茶品种识别研究,开发油茶品系图像识别技术,为油茶品种鉴别提供科学依据。【方法】选择自然光照条件下生长的11个油茶品种叶片作为研究对象,采集完整、无明显病虫害的叶片,以白色硬纸板为背景... 详细信息

【目的】采用深度学习方法开展基于叶片的油茶品种识别研究,开发油茶品系图像识别技术,为油茶品种鉴别提供科学依据。【方法】选择自然光照条件下生长的11个油茶品种叶片作为研究对象,采集完整、无明显病虫害的叶片,以白色硬纸板为背景,利用智能手机对叶片的正、背面进行图像采集,通过可用性筛选去除无效图像,构建图像数量为2 791张的油茶叶片品种数据集,采用深度学习网络(googlenet、ResNet)对11个油茶品种的叶片图像进行识别研究。【结果】googlenet和ResNet网络均能满足基于叶片的油茶品种识别要求,总体识别准确率、召回率的调和平均值(F_(1))分别达94.0%和80.7%;其中googlenet网络识别效果更好,平均准确率、召回率、多分类模型指标宏观F_(1)(Macro F_(1))和微观F_(1)(Micro F_(1))分别为94.1%、94.0%、94.0%和96.9%,其对油茶品种编号1和编号8的识别召回率高达100%。【结论】深度学习网络(googlenet、ResNet)能够实现基于叶片的油茶品种识别,可为基于其他作物的品种识别提供参考。

关键词：深度学习油茶叶片品种识别 googlenet ResNet

基于多特征卷积神经网络的哨兵二号影像地物分类

在线全文

学校读者我要写书评

暂无评论

应用科学学报 2023年第5期41卷 766-776页

作者：黄显培孟庆祥武汉大学遥感信息工程学院湖北武汉430079

空间分辨率为10 m的哨兵二号影像在原始的googlenet中以影像的光谱值作为输入,没有将影像中的地物视为一个整体对象,为了利用影像的面向对象特征,提出了基于多特征的Object-oriented googlenet网络结构。Object-oriented googlenet在原... 详细信息

空间分辨率为10 m的哨兵二号影像在原始的googlenet中以影像的光谱值作为输入,没有将影像中的地物视为一个整体对象,为了利用影像的面向对象特征,提出了基于多特征的Object-oriented googlenet网络结构。Object-oriented googlenet在原有模型的基础上,引入了面向对象的光谱特征和形状特征,充分利用了不同地物间差异的形状特征进行分类。在武汉市及其周边的无云影像制作的数据集上,Object-oriented googlenet模型的分类结果总体精度在googlenet基础上提升了1.773%。结果表明,引入面向对象的特征模型在哨兵二号遥感影像分类中效果更好。

关键词：哨兵二号 googlenet 深度学习形状特征土地利用分类

在线全文

学校读者我要写书评

暂无评论

基于googlenet的脑电情绪识别研究

基于GoogLeNet的脑电情绪识别研究

作者：邱金平长春大学

学位级别：硕士

情绪是一种复杂的心理状态,它时刻影响着人类的生理和心理行为,准确地识别情绪在医疗领域有着广阔的应用前景。由于脑电信号（EEG）具有时间分辨率高、与情绪相关性强、空间分布广等特点,脑电情绪识别逐渐成为近年来的研究热点。在脑电... 详细信息

情绪是一种复杂的心理状态,它时刻影响着人类的生理和心理行为,准确地识别情绪在医疗领域有着广阔的应用前景。由于脑电信号（EEG）具有时间分辨率高、与情绪相关性强、空间分布广等特点,脑电情绪识别逐渐成为近年来的研究热点。在脑电情绪识别领域,主要使用的是机器学习方法和深度学习方法。前者由于识别准确率低、计算时间长等缺陷而逐渐被淘汰,而后者则因识别精度高、计算时间短、拟合能力强等特点而逐渐普及。考虑到这两种方法的优缺点,本文提出了节省时间和减少计算量的高效脑电信号数据预处理算法,随后基于googlenet模型提出了可提取并融合时域、空间域及全局等维度特征的基线模型,最后对该模型使用注意力机制,使基线模型实现了准确率高、推理速度快的效果。本文研究内容及创新点主要如下:（1）本文结合脑电自身的时序性及脑电极放置位置的空域性对DEAP数据集使用四种预处理方法,通过实验筛选出较优的脑电信号预处理方法。实验结果表明:对脑电数据通道（脑电极--空域）使用Z-Score标准化的预处理方法最优,该预处理方法能有效减小模型计算量、提升模型的情绪识别准确率。（2）本文基于googlenet模型提出了适用于脑电情绪识别的卷积神经网络模型。该模型分阶段使用了时域卷积核、空域卷积核及全局卷积核,通过使用这些卷积核,模型能够多维度提取与情绪相关的特征,最后用于情绪分类。实验结果表明:在Arousal情绪维度,GTSCeption模型的准确率比目前基于Inception改进的最佳情绪识别模型高出8.76%,Valence情绪维度的准确率最高能达到94.15%。（3）本文对在（2）中提出的基线模型引入了注意力机制。通过注意力机制探索脑电信号在时域和频域上的重要情绪信息,从而提升情绪识别准确率。实验证明,基于SE注意力机制的基线模型对准确率的提升最明显。

关键词：脑电图情绪识别 googlenet 注意力机制深度学习

基于googlenet的智能录播系统中站立人脸的检测与定位

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于GoogLeNet的智能录播系统中站立人脸的检测与定位

作者：衣柳成青岛大学

学位级别：硕士

随着教育信息化的不断普及,推动了智能录播系统的发展。智能录播系统可以推进学校精品课程建设,很大程度地促进了学校教学研究与管理研究的深度,为教育信息化的进一步发展积累了丰富的数字化教学资源,实现教学资源共享。在教学过程中,... 详细信息

随着教育信息化的不断普及,推动了智能录播系统的发展。智能录播系统可以推进学校精品课程建设,很大程度地促进了学校教学研究与管理研究的深度,为教育信息化的进一步发展积累了丰富的数字化教学资源,实现教学资源共享。在教学过程中,为实时关注师生互动,需要对站立的同学进行检测与定位,因此,站立学生的人脸检测与定位是发展智能录播系统的关键。针对目前智能录播系统中学生站立检测的需求,本文实现了一种基于googlenet神经网络的站立人脸的检测与定位方法。该方法首先利用帧差法和肤色检测初步确定学生站立活动区域,然后在该区域使用迁移学习训练的googlenet神经网络检测是否存在人脸,若存在,则记录人脸的位置信息,最后通过人脸在垂直方向和水平方向上的运动距离来判断是否为站立的学生人脸,从而实现智能录播系统中站立人脸的检测与定位。实验结果表明,本文方法基本可以实现学生站立人脸的检测与定位功能。本文主要工作如下:(1)训练人脸检测网络。首先使用googlenet神经网络对人脸图像进行迁移学习,训练出人脸检测网络。(2)确定活动区域。使用帧差法与肤色检测确定课堂视频中存在肤色的活动区域,在该活动区域内检测是否存在人脸,减少了计算量,提高了算法效率。(3)站立人脸检测与定位。在活动区域内使用训练的人脸检测网络进行人脸检测并标记位置;然后对教室进行分区,不同分区设置不同的阈值,通过分析人脸运动数据与阈值的关系来确定站立的人脸并记录位置。本文方法仅对存在肤色的活动区域进行人脸检测,减少了计算量,提高了算法的运行效率。通过多次实验表明,训练的googlenet神经网络能够较好的区分人脸图像和非人脸图像,对课堂中站立学生的检测与定位功能基本可以实现。

关键词： googlenet 卷积神经网络人脸检测智能录播系统