-
题名基于腐蚀批归一化层的对抗攻击算法
被引量：1
- 1
-
-
作者
张武
周星宇
邹军华
潘志松
段晔鑫
陈军
-
机构
陆军工程大学指挥控制工程学院
陆军工程大学通信工程学院
陆军军事交通学院镇江校区
-
出处
《计算机工程与应用》
CSCD
北大核心
2021年第16期116-124,共9页
-
基金
国家自然科学基金(62076251)。
-
文摘
目前在对抗样本生成研究领域,基于梯度的攻击方法由于生成速度快和资源消耗低而得到广泛应用。然而,现有大多数基于梯度的攻击方法所得对抗样本的黑盒攻击成功率并不高。最强基于梯度的攻击方法在攻击6个先进防御黑盒模型时的平均成功率只有78.2%。为此,提出一种基于腐蚀深度神经网络架构中批归一化层的对抗攻击算法来改进现有基于梯度的攻击方法,以实现所得对抗样本的黑盒攻击成功率进一步提升。在一个ImageNet兼容数据集上做了大量实验,实验结果表明所提出的算法在单模型攻击和集成模型攻击中均能与现有基于梯度的攻击方法有效组合,实现在几乎不增加额外计算开销条件下增强对抗样本的攻击性能。此外,所提算法还使得最强基于梯度的攻击方法针对6个先进防御黑盒模型的平均攻击成功率提升了9.0个百分点。
-
关键词
对抗样本
黑盒攻击
腐蚀
批归一化层
-
Keywords
adversarial examples
black-box attacks
erosion
batch normalization layer
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于VGG19-SK模型的机械密封启停状态识别
- 2
-
-
作者
刘伟
翟志兴
张书尧
李双喜
-
机构
北京化工大学机电工程学院
-
出处
《机电工程》
北大核心
2025年第1期23-32,50,共11页
-
基金
国家重点研发计划项目(2018YFB2000800,2022YFB3303600)。
-
文摘
机械密封在机械设备的的启停过程中,时常会发生失效。针对这一问题,提出了一种新的深度学习模型VGG19-SK,并将其应用于机械密封的启停状态识别中。首先,在机械密封启停过程中,利用密封声发射信号试验台获取了试验数据,这些数据为训练深度学习模型提供了基础;然后,在传统VGG19基础之上进行了改进,增加了SK卷积层、全局平均池化层和批归一化(BN)层,这些改进显著减少了模型的参数数量,降低了对硬件设备的要求,同时提升了模型的性能;最后,在模型训练过程中,对VGG19-SK模型进行了细致的调优,采用准确率曲线、损失值曲线以及混淆矩阵等指标,与其他模型进行了对比,验证了VGG19-SK模型的有效性,突出了VGG19-SK模型的优越性。研究结果表明:在机械密封启停阶段8种分类识别中,VGG19-SK取得了86.67%的准确率,比传统VGG19提升了约2.19%;同时,模型的训练参数减少了83.74%,模型总体大小缩减了约80%。该VGG19-SK机械密封状态识别模型在兼顾准确率的同时,保证了硬件资源受限状况下的运行能力,为进一步开发基于深度神经网络模型的机械密封状态故障诊断系统奠定了基础。
-
关键词
机械密封
深度学习模型
声发射信号
SK卷积层
全局平均池化层
批归一化层
VGG19-SK模型
-
Keywords
mechanical seal
deep learning model
acoustic emission signal
SK convolution layer
global average pooling layer
batch normalization(BN)layer
VGG19-SK model
-
分类号
TH134
[机械工程—机械制造及自动化]
-
-
题名基于层间融合的神经网络访存密集型层加速
被引量：3
- 3
-
-
作者
杨灿
王重熙
章隆兵
-
机构
处理器芯片国家重点实验室(中国科学院计算技术研究所)
中国科学院计算技术研究所
中国科学院大学
-
出处
《高技术通讯》
CAS
2023年第8期823-835,共13页
-
基金
中国科学院战略性先导科技专项(XDC05020100)资助项目。
-
文摘
近年来,随着深度神经网络在各领域的广泛应用,针对不同的应用场景,都需要对神经网络模型进行训练以获得更优的参数,于是对训练速度的需求不断提升。然而,现有的研究通常只关注了计算密集型层的加速,忽略了访存密集型层的加速。访存密集型层的操作主要由访存带宽决定执行效率,单独提升运算速度对性能影响不大。本文从执行顺序的角度出发,提出了将访存密集型层与其前后的计算密集型层融合为一个新层执行的方式,将访存密集型层的操作作为对融合新层中输入数据的前处理或输出数据的后处理进行,大幅减少了访存密集型层在训练过程中对片外内存的访问,提升了性能;并针对该融合执行方案,设计实现了一个面向训练的加速器,采用了暂存前处理结果、后处理操作与计算密集型层操作并行执行的优化策略,进一步提升了融合新层的训练性能。实验结果显示,在面积增加6.4%、功耗增加10.3%的开销下,训练的前向阶段、反向阶段的性能分别实现了67.7%、77.6%的提升。
-
关键词
神经网络
训练
加速器
卷积神经网络(CNN)
访存密集型层
批归一化(BN)层
-
Keywords
neural network
training
accelerator
convolutional neural network(CNN)
memory intensive layer
batch normalization(BN)layer
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名改进的YOLOv3交通标志识别算法
被引量：13
- 4
-
-
作者
林轶
陈琳
王国鹏
盛余洋
孙立超
-
机构
长江大学计算机科学与技术学院
三峡大学计算机与信息学院
-
出处
《科学技术与工程》
北大核心
2022年第27期12030-12037,共8页
-
基金
国家科技重大专项(2016ZX05055)。
-
文摘
针对复杂场景下交通标志检测存在精度低、检测速度慢等问题,提出一种基于YOLOv3改进的S-YOLO(stronger-YOLO)交通标志算法。首先,合并批归一化层到卷积层,以提升模型前向推理速度;其次,采用二分K-means聚类算法,确定适合交通标志的先验框;然后引入空间金字塔池化模块,提取特征图深度特征;最后引入完整-交并比(complete-IoU,CIoU)回归损失函数,提升模型检测精度。实验结果表明,在重制的中国交通标志数据集(Chinese traffic sign dataset,CTSDB)下,所提算法与YOLOv3相比,平均准确率和检测速度分别提升了4.26%和15.19%,同时相较YOLOv4以及其他算法对交通标志识别有更优的精度和速度,具有良好的鲁棒性,满足复杂场景高效实时检测。
-
关键词
交通标志
YOLOv3
批归一化层
空间金字塔池化
CIoU
-
Keywords
traffic sign
YOLOv3
batch normalization layer
spatial pyramid pooling
CIoU
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的心脏磁共振图像分割
- 5
-
-
作者
张博
-
机构
中南民族大学生物医学工程学院
-
出处
《绿色科技》
2020年第6期230-232,共3页
-
文摘
针对分割心脏图像中半自动分割方法存在分割精度较低、计算复杂度较高等问题,提出了采用改进的全卷积神经网络(Fully Convolutional Networks,FCN)来自动分割心脏左、右心室及心肌。在初始训练前对原始心脏影像作预处理,对处理后的图像进行模型训练,在网络下采样与上采样过程中加入批归一化层(Batch Normalization,BN),加速网络收敛,降低网络过拟合,实验选择加权交叉熵损失函数,用于提升网络性能,经过softmax分类器得到分割结果。实验结果表明:该方法能够较好地分割出左心室等结构,具有较高的分割精度。
-
关键词
心脏影像
全卷积神经网络
批归一化层
损失函数
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
