循环卷积

摘要： 现有的融合文本或邻居信息的知识补全模型忽略文本和邻居之间的相互作用,难以捕获与实体具有较强语义相关性的信息,加上基于卷积神经网络的模型未考虑实体中的关系相关信息,导致预测性能不佳.因此,文中结合文本信息和拓扑邻居信息,提出基于Triplet注意力的循环卷积神经网络模型.首先,通过语义匹配的方式,选取文本描述中与实体具有较强语义相关性的单词.再与拓扑邻居复合作为实体邻居,增强实体表示.然后,重塑实体的融合表示和关系表示.最后,利用Triplet注意力优化卷积输入,使卷积操作能提取实体中与关系相关的特征,提升模型性能.在多个公开数据集上的链路预测实验表明,文中模型性能较优.

摘要： 有限长序列的循环卷积是数字信号处理课程的重要知识点。文章简要说明循环卷积的基本概念、循环卷积与线性卷积的区别,进而总结了有限长序列循环卷积的求解方法,主要包括定义法、图解法、对位相乘法、矩阵矢量相乘法、变换域方法和Matlab求解方法等。同时,结合相关实例给出有限长序列循环卷积的几类方法的计算过程,可帮助学生理解该知识点。

摘要： 针对使用深度学习进行医学图像分割时出现的网络退化问题,通过融合更大尺度的特征映射实现更加精确的图像分割,提出一种基于循环残差卷积神经网络的图像分割算法.首先引入循环卷积模块实现离散步长上的特征提取,提高图像上下文语义信息的利用率,实现更多、更广泛的特征映射提取;然后结合残差学习单元与循环卷积单元形成循环残差卷积模块,替换普通卷积神经网络的前馈卷积单元以解决深层网络模型面临的网络退化问题;最后引入全尺度跳跃连接将不同尺度下的特征图融合,生成分割图像.在PyTorch环境下用3个数据集与其他4种算法进行比较的实验结果表明,所提算法的分割性能更好,图像分割的精确度更高.

摘要： Deep Snake端到端地变形初始目标框到目标轮廓,能提升实例分割的性能,但存在对初始目标框敏感和轮廓参数独立回归的问题.因此文中提出基于2D循环卷积和难度敏感轮廓交并比损失的Deep Snake.首先,基于轮廓的空间上下文信息设计2D循环卷积,解决对初始目标框敏感的问题.然后,基于定积分的几何意义与样本难易度提出难度敏感轮廓交并比损失函数,将轮廓参数进行整体回归.最后,利用2D循环卷积和难度敏感轮廓交并比损失函数完成实例分割.在Cityscapes、Kins、Sbd数据集上的实验证明文中方法的实例分割精度较优.

摘要： 喉白斑属于癌前组织病变,准确检测该病灶对癌变预防和病变治疗至关重要,但喉镜图像中病灶边界模糊且表面反光导致其不易分割.为此,提出一种基于U-Net的多尺度循环卷积神经网络(MRU-Net)进行喉白斑病灶分割.通过对比度受限的自适应直方图均衡化技术增强喉镜图像,利用平均池化构建图像金字塔并将其作为U型网络多尺度输入,同时使用多尺度卷积和递归卷积层代替编码与解码单元卷积层改进网络结构,采用多尺度输出层生成不同尺度特征图并对各层求均值得到最终输出结果.实验结果表明,MRU-Net的F1值、Jaccard相似度和平均交并比分别为0.784 3、0.661 1和0.826 9,与U-Net、M-Net等传统网络相比,该网络对喉白斑病灶分割更准确,能够得到精度更高的病灶轮廓.

摘要： Linear convolutions can be converted to circular convolutions so that a fast transform with a convolution property can be used to implement the computation,which method is known as the FFT-based fast algorithm of linear convolution.In this paper,a novel proof of the computation of linear convolution based on Generalized Discrete Fourier Transform (GDFT) is constructed.Firstly,a relationship of linear convolution and circular convolution is thoroughly analyzed.Secondly,the computation of the linear convolution is translated to the multiplication of a special Toeplitz matrix and the signal.Lastly,this multiplication is accomplished by the inverse GDFT of the product of the GDFTs of the signal and the filter.Furthermore,a new method about the computation of complex linear convolution is constructed by using the GDFT with parameter-1,which is not considered in the previous literatures.%线性卷积可以转化为循环卷积,循环卷积可以转化为频域的乘法,从而线性卷积可以采用基于FFT(快速Fourier变换)的方法进行计算.本文给出了一种基于广义离散Fourier变换的线性卷积计算方法.本文首先分析了线性卷积和循环卷积的关系.然后,线性卷积的计算转化成一个特殊的Toeplitz矩阵与向量的乘积.然后,通过利用信号和滤波器的广义离散Fourier变换以及反变换,推导了这个乘积的快速算法.另外,本文推导方法还可以得到基于参数为-1的广义离散Fourier变换计算线性卷积的方法.

摘要： 图像恢复是指通过算法来实现恢复出图像残缺部分的信息用来补全残缺的图像.在最近几年由于深度学习的快速发展,深度学习在图像恢复领域也取得了很好的效果.然而现有的方法都需要海量的数据来训练实现图像恢复的研究.本文结合强化学习中的actor-critic算法和生成式对抗网络的网络结构提出了一种新的图像决策算法和循环卷积神经网络结构来实现图像恢复.在数据集CelebA,BSDS500,Pascal Voc2012上的实验表明,在较少数据量的情况下,该方法有效地恢复出了残缺图像的信息,与流行的图像恢复算法相比取得了较好的恢复效果.

摘要： 本发明公开了一种基于时空卷积循环神经网络与空洞卷积的视频目标分割方法，包括步骤一、建立编码器‑解码器网络结构，编码器的最顶层利用多个空洞率不同的卷积核，从多个尺寸对目标进行捕捉，以获得更精确的外观信息。在解码器阶段，每一个卷积循环神经网络单元将接收不同尺寸的特征图，并将上一帧该目标的分割结果、上一个卷积循环神经网络单元得到的特征图作为输入；步骤二、利用数据集对编码器‑解码器网络结构进行训练；步骤三、将待分割视频输入训练好的编码器‑解码器网络结构输出分割结果。本发明具有可靠的时空相关性，能提高目标分割准确性和分割速度。

摘要： 本发明的目的是得到谋求集成度提高和消耗功率降低的卷积交错装置。设置用于进行数据延迟的RAM区域…，123-(N/2-1)，…，123-((C-1)/2-1)和移位寄存器122-0，…，122-((C-1)/2)，对于RAM区域，在两个信道中共用地址计数器，通过选择器120来进行输入数据的选择，在RAM区域…，123-(N/2-1)，…，123-((C-1)/2-1)和移位寄存器122-0，…，122-((C-1)/2)中依次写入数据，通过选择器121与其同步地取出数据。

摘要： 本发明公开了一种基于时空卷积循环神经网络与空洞卷积的视频目标分割方法，包括步骤一、建立编码器‑解码器网络结构，编码器的最顶层利用多个空洞率不同的卷积核，从多个尺寸对目标进行捕捉，以获得更精确的外观信息。在解码器阶段，每一个卷积循环神经网络单元将接收不同尺寸的特征图，并将上一帧该目标的分割结果、上一个卷积循环神经网络单元得到的特征图作为输入；步骤二、利用数据集对编码器‑解码器网络结构进行训练；步骤三、将待分割视频输入训练好的编码器‑解码器网络结构输出分割结果。本发明具有可靠的时空相关性，能提高目标分割准确性和分割速度。

摘要： 时间交织器中包含的进行卷积交织的卷积交织器具备：第1开关，将卷积交织器的输入的连接目的地向多个分支中的某个分支的一端切换；FIFO存储器，设在多个分支中的除了一个分支以外的一部分的分支中，在该一部分的分支间个数相互不同；第2开关，将卷积交织器的输出的连接目的地向多个分支中的某个分支的另一端切换；第1及第2开关在与每1个帧的代码字的数量相等的多个数据单元已通过的情况下对上述连接目的地进行切换，该连接目的地的切换通过按照顺序地重复多个分支来进行连接目的地的分支。

摘要： 时间交织器中包含的进行卷积交织的卷积交织器具备：第1开关，将卷积交织器的输入的连接目的地向多个分支中的某个分支的一端切换；FIFO存储器，设在多个分支中的除了一个分支以外的一部分的分支中，在该一部分的分支间个数相互不同；第2开关，将卷积交织器的输出的连接目的地向多个分支中的某个分支的另一端切换；第1及第2开关在与每1个帧的代码字的数量相等的多个数据单元已通过的情况下对上述连接目的地进行切换，该连接目的地的切换通过按照顺序地重复多个分支来进行连接目的地的分支。

摘要： 本发明的目的是得到谋求集成度提高和消耗功率降低的卷积交错装置、卷积解交错装置、卷积交错方法和卷积解交错方法。设置用于进行数据延迟的RAM区域…，123－(N/2－1)，…，123－((C－1)/2－1)和移位寄存器122－0，…，122－((C－1)/2)，对于RAM区域。在两个信道中共用地址计数器，通过选择器120来进行输入数据的选择，在RAM区域…，123－(N/2－1)，…，123－((C－1)/2－1)和移位寄存器122－0，…，122－((C－1)/2)中依次写入数据，通过选择器121与其同步地取出数据。

摘要： 本发明公开了一种基于动态时空图卷积循环网络的交通流预测方法，包括以下步骤：构建路网的动态时空关系图；构造动态时空图卷积循环模块；建立基于动态时空图卷积循环网络的交通流预测模型；交通流数据预处理及数据集划分；训练基于动态时空图卷积循环网络的交通流预测模型；基于训练后的模型进行交通流预测并评估模型的预测性能。本发明能够有效地捕获交通流数据的动态时空依赖性，提高交通流预测的精度，为交通管理部门提供科学的交通诱导依据。这对缓解城市交通拥堵，提高行驶效率和安全，减轻交通环境负荷具有极其重要的意义。本发明简单实用，可操作性和有效性强。

摘要： 该发明公开了一种基于动态门控卷积循环网络的语音增强方法，属于人工智能领域。本发明提出将动态卷积应用于语音增强，并改进了门控卷积循环网络的门控卷积模块和门控反卷积模块，使动态卷积模块，即动态解耦滤波器能够很好地与现有结构融合。在本发明中，在信号通过每一个动态卷积模块或者动态反卷积模块时，根据输入从通道和空间两个方向生成用于卷积的滤波器参数，这使得传统网络的卷积层内容不可知的缺陷被弥补，实验表明本发明能够显著提高低信噪比下的语音质量，实际性能优于现有深度学习语音增强方法。

摘要： 本发明提出了基于循环残差卷积和过度参数化卷积的帧插入方法及系统，将获取的前后两帧图片拼接后输入到基于循环卷积和残差操作的特征提取器中,提取深度特征；利用深度特征得到两帧图片中每个像素的偏移向量和权重,根据偏移向量和权重对每个像素进行扭曲,得到扭曲后的两帧图片；通过基于Gr i dNet的帧生成网络对扭曲后的前后两帧图片进行融合,生成新的插入帧；本发明通过基于循环残差卷积的特征提取器提取更准确的深度特征，过度参数化卷积提高深度网络训练的速度，并帮助网络在不增加计算复杂度的情况下提高网络性能，提高插入帧的视觉质量。

摘要： 本发明公开了一种面向粗粒度可重构系统的卷积神经网络循环卷积计算数据重用的系统，包括主控制器及连接控制模块、输入数据重用模块、卷积循环运算处理阵列、数据传输通路四部分。卷积循环运算时，本质为多个二维输入数据矩阵与多个二维权重矩阵相乘，一般这些矩阵规模都较大，相乘占据整个卷积计算的大部分时间。本发明利用粗粒度可重构阵列体系完成卷积计算过程，当接收到卷积运算请求指令后，利用寄存器轮转的方式充分发掘卷积循环计算过程的输入数据可重用性，提高了数据利用率并降低了带宽访存压力，且所设计的阵列单元是可配置的，可以完成不同循环卷积规模及步长时的卷积运算。