期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
CN2Conv:面向物联网设备的强鲁棒CNN设计方法
1
作者 柴智 丁春涛 +1 位作者 郭慧 张俊娜 《计算机应用研究》 北大核心 2025年第7期2154-2160,共7页
使用云辅助训练少参数的卷积神经网络(CNN)可以使其部署在资源受限的物联网设备上,然而现有少参数模型存在对复杂数据特征的提取能力不足、鲁棒性差的问题。为此提出了一种适应复杂数据且鲁棒性强的CNN设计方法,组合非线性变换卷积核生... 使用云辅助训练少参数的卷积神经网络(CNN)可以使其部署在资源受限的物联网设备上,然而现有少参数模型存在对复杂数据特征的提取能力不足、鲁棒性差的问题。为此提出了一种适应复杂数据且鲁棒性强的CNN设计方法,组合非线性变换卷积核生成方法(combined non-linearity convolution kernel generation,CN2Conv)。首先,从CNN模型的卷积层中随机选取部分卷积核作为种子卷积核,并使用多个生成函数对种子卷积核进行非线性变换,得到多样化的生成卷积核;然后,对不同生成函数使用不同的超参数以控制模型的正则化效果,提高模型鲁棒性;最后,对生成卷积核生成的特征图进行通道混洗和卷积降维操作,同时利用组归一化技术提高特征的分布一致性,增强对复杂数据的特征捕获能力。为了验证CN2Conv的有效性,在CIFAR-10、CIFAR-100、CIFAR-10-C和Icons-50数据集上进行了实验。在CIFAR-10-C数据集上,采用CN2Conv的ResNet34的准确率比标准ResNet34提高8.22%,比MonoCNN提高11.86%。结果表明,基于CN2Conv的CNN模型在多个数据集上的准确率优于对比方法,且鲁棒性显著提升。 展开更多
关键词 卷积神经网络 云辅助训练 少参数模型 鲁棒性
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部