卷积

摘要： 图像超分辨是使低分辨率图像通过端到端训练产生边缘更清晰的高分辨率图像的一种技术,是数字图像处理的一个重要研究方向。该文提出了一种基于生成对抗网络的图像超分辨算法,并对网络结构进行改进。设计的生成器删除了残差块的BN层,增加了特征识别的相关算法,特征提取部分采用两层卷积网络,可以提取更多的图像特征,在低分辨率图像上提取特征,通过卷积计算得到高分辨率图像,可以提升运算结果的准确性。判别器设计采用先分组再整合的思想,将生成图像划分成一定数量的图像块,计算每一部分的判别结果,然后将所有图像块的判别真假组合起来,作为最终的判别结果。经实验验证,设计的网络模型在图像重建效果上有了一定的提高,并节省了一定的运算时间。

摘要： 传统神经网络具有过度依赖硬件资源和对应用设备性能要求较高的缺点,因此无法部署于算力有限的边缘设备和移动终端上,人工智能技术的应用发展在一定程度上受到了限制。然而,随着科技时代的到来,受用户需求影响的人工智能迫切需要在便携式设备上能成功进行如计算机视觉应用等方面的操作。为此,以近几年流行的轻量化神经网络中的卷积部分为研究对象,详细比对了各类轻量化模型中卷积构成方式的区别,并针对卷积设计的主要思路和特点进行了较为详细的阐述。首先,通过引入轻量化神经网络的概念,介绍了轻量化神经网络的发展现状和网络中卷积方面所面临的问题;然后,将卷积分为卷积结构轻量化、卷积模块轻量化和卷积运算轻量化三方面进行介绍,具体通过对各类轻量化神经网络模型中卷积设计的研究,来展示不同卷积的轻量化效果,并对其中优化方法的优缺点进行阐述;最后,对文中所有轻量化模型卷积设计的主要思路和使用方式进行了总结分析,并对其未来的可能性发展进行了展望。

摘要： 为加快深度学习人脸检测算法MTCNN(multi-task convolu tion neural network)的推理速度,满足许多应用场合检测的实时性的要求,基于Xilinx FPGA ZCU102开发板设计针对MTCNN专门优化的卷积和全连接加速硬件。该加速硬件不仅适用于MTCNN网络,其它神经网络推理算法也可以使用。针对算法特点,硬件采用小而多的计算核心,支持动态分块、图像间混合计算、片上多核共享RAM等完全自主开发的软硬件协同技术。在100 MHZ的频率下对MTCNN应用在加速器上的加速效果进行测试并和ARM程序进行对比,可以得到加速器相对于ARM O2速度加快了6倍多。

摘要： 文章针对甘蔗种植区域提取的精度和效率等问题,提出了一种基于深度学习的高分辨率卫星遥感提取甘蔗种植区域的方法,设计了一种高效、准确、自动化的卷积神经网络(Sugarcane Extraction Convolutional Neural Network,以下简称SE-CNN)。SE-CNN无需人为设计规则,能够自动学习甘蔗的遥感特征并提取影像中的种植区域,从而提高获取相关数据的精度与效率。研究表明,使用深度学习方法提取试验区甘蔗种植区域的总体精度达到93.91%,IOU系数及Kappa系数分别为0.8785、0.8701,精度指标均优于U-Net方法的3%以上。

摘要： 复合随机变量在各个领域有着广泛的应用.本文在连续型的情形下,给出复合随机变量的概率密度函数的积分公式,在离散型的情形下,给出复合随机变量的概率分布列的迭代计算公式,考虑到实际应用的问题,最后给出一个把连续型随机变量离散化得出复合随机变量近似分布函数的数值例子.

摘要： 针对高分辨率遥感图像分割方法计算效率低和分割精度差等问题进行研究。设计了一种新型网络结构,架构由端到端的新型全卷积网络框架构成,结合了密集连接的思想和全卷积层的体系结构,实现了每个层和所有其他层之间的直接连接。利用多尺度卷积核构造更宽的网络,提高了网络在不同尺度下的适应性。试验结果表明,提出方法在15尺度时精确度达到最大值92.2%,具有良好的分割性能。

摘要： 卷积是一种重要的积分变换方法,在现代信号处理技术的多个领域都有非常广泛的应用,许多有待深入研究的新课题也有赖于卷积。卷积本身蕴含着某些特殊的性质,这些性质不仅能够简化卷积的运算过程,而且能够揭示卷积运算的内在规律。移位运算是一种非常重要的信号运算,广泛存在于信号处理过程中,通过对卷积的定义和已有性质的进一步研究,结合卷积定理和傅里叶变换理论,提出并证明了卷积的移位性质及其推论。

摘要： 为提升物流货柜自动识别的准确率和检测速率,该文提出了一种基于深度卷积神经网络的改进算法。该算法将DenseNet卷积神经网络融入SSD检测算法中,利用DenseNet的Block模块,提高梯度信息传播能力,使得检测模型具有更高的识别准确率和收敛速度。实验结果表明,该改进型算法的平均识别准确率为71.3%,检测速率为每秒42帧,相比YOLO和SSD算法,其平均检测准确率和检测速率均得到明显提升。

摘要： 本文设计并实现了面向深度学习的统一框架批处理矩阵乘法.我们细致地分析了利用矩阵乘法实现卷积的过程中卷积核、输入特征图和输出特征图在NCHW和NHWC两类存储格式下的矩阵数据排列特点,指出了其和矩阵行列主序的关系.在此基础上,为了更好复用共享的卷积核数据,我们提出将批量输入特征图转化为一个矩阵整体进行计算的方法.我们设计了统一框架的批处理分块矩阵乘法,该框架计算同一矩阵和多个不同矩阵的乘法,可以处理并输出任意存储格式的矩阵数据.我们优化了分块矩阵乘法实现,根据输入参数特征规划计算顺序,利用矩阵转置技巧复用核心计算模块,没有增加额外的数据组织操作.数值试验表明:本文设计实现的批处理单精度矩阵乘法的计算速度比循环调用原始单精度矩阵乘法的计算速度在处理中小尺度矩阵时在四款不同处理器平台上性能最高分别提高4.80%、26.57%、29.27%和25.55%,平均分别提升2.37%、14.37%、9.89%和15.72%.

摘要： 针对当前相关滤波跟踪算法在目标进行旋转、快速运动和被遮挡时,易出现跟踪漂移甚至跟丢的问题,提出一种卷积视角下抗遮挡相关滤波跟踪方法.该方法在相关滤波算法框架的基础上,利用上下文感知方法增加背景信息,引入多模态历史池更新策略增强抗遮挡的跟踪性能.首先,设计出一套基于卷积视角的公式推导体系,巧妙地引入卷积定理在频域上求解滤波器,相比于现有文献中循环矩阵对角化的滤波器求解方法,该推导方法易于理解.然后,通过引入上下文相关信息,设计合理的能量泛函压制背景区域的响应值,达到更加稳健跟踪目标的目的.最后,建立历史多模态目标池,一旦相关响应最大的样本与历史模板池各多模态模板相似度低于人为设置阈值,则认定该帧出现遮挡,不进行模板池、外观模型、滤波器的更新,有效解决遮挡挑战下跟踪漂移的问题.将所提方法在OTB2015上进行测试,实验表明在目标旋转、快速运动、被遮挡等条件下,所提方法在保证准确跟踪的同时保持较高的速度,优于实验所提的其他方法.

摘要： 文章讨论了几个误差分布密度函数“卷积”合成后方差的合成情况,指出用均方差作为置信概率的置信区间时,合成前,合成后的置信概率是不一样的。

摘要： 该文介绍了IMSA100开发板的结构，并针对该结构提出了对数字信号进行相关、 卷积、有限长数字滤波的运算方法，最后对无限长数字信号的滤波运算进行了探讨。

摘要： 该文介绍的卷积CAI系统，主要由四个模块组成：线性卷积，周期卷积，圆周卷积，圆周卷积应用。各模块均能以动画的形式直接显示相应卷积的全过程。该课件可作为插播课件用于课堂演示，也可对给定信号进行卷积运算与处理。

摘要： 该文在深入研究卷积，相关理论的基础上提出了一种完成线性相关运算的方法——乘不进位法，以及由线性卷积求圆周卷积、线性相关求圆周相关的方法。方法简单、直观，易掌握，并给出了具体实例。

摘要： 当前，运用边缘检测算法结合人工判读的方式提取馆藏壁画中的病害信息是壁画病害调查方法的一种有效手段，但是现有的边缘检测算法难以提取出较好的壁画病害边缘图。基于此，本文提出了一种K-均值Sobel的边缘检测算法，该方法将图像分割中的聚类和边缘检测方法有效结合，首先运用K-均值聚类算法对壁画灰度正射影像图进行聚类得到灰度值矩阵，然后运用Sobel卷积公式对矩阵进行卷积，将该矩阵转化为图像即得到一幅黑白二值边缘图。本文结合壁画病害调查的实际意义，以壁画病害识别百分比和病害边缘连续性两个要素作为验证边缘检测算法壁画病害边缘提取效果的评判因素，实验证明了该方法在病害边缘提取效果上优于传统方法。

摘要： 利用卷积程序计算了探测器的时间响应函数，上升时间常数1ns，下降时间常数20ns。编写了反卷积计算程序，对实验波形进行了数据还原和恢复，经过反卷积还原后的波形在时间响应上与闪烁探测器所测波形进行了比对，取得了很好的一致性，可直接用于高能脉冲X射线能谱计算。给出了反卷积信号还原系统所产生的误差，误差为16％。

摘要： 基于线性时不变系统的系统函数不变特性，设计了一套杆塔冲击接地电阻测试仪。测试仪向杆塔接地体注入波形较缓的冲击电流，测量此电流及其响应电压波形，通过数字卷积计算，求取接地体在标准雷电流波形下的响应电压，从而算得冲击接地电阻。系统以DSP芯片作为主控芯片，采用复杂可编程逻辑器件作为系统地址逻辑信号发生器，采用两片高速AD转换器件构成双通道数据采集系统分别测量电流电压信号，用双口RAM 存储采集的数据，采用FLASHROM实现对测量结果和测得波形的掉电存储，并能通过RS232通信接口将保存数据上传至PC机。采用可控高压电源模块和电力MOSFET构成冲击电流发生器。整套装置采用两块蓄电池互为备用的供电方式，可靠性高，满足野外测量要求。

摘要： 本文通过对时间基函数的微分运算和脉冲源产生的矢量位的卷积,以及对时间基函数的积分运算和脉冲源产生的标量位的卷积精确的计算出了时域阻抗矩阵.计算实例表明,利用时间步进(MOT)算法求解时域电场积分方程(TDEFIE)时,利用本文方法求解时域阻抗矩阵可以得到非常稳定和精确的解.

摘要： 该文就口型识别的预处理过程中的口型定位和提取问题提出了一种新型的变化的最佳阈值方法，该方法使得嘴唇的轮廓线趋于最平滑，最接近嘴型的真实情况，从而改善了提取的口型特征，对提高口型的识别率有着明显的作用。

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： 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： 一种示例融合卷积层包括：比较器，其能够接收第一零点和乘法累加结果；第一多路复用器，其耦合到比较器，其中，第一多路复用器接收多个2的幂次方的指数值；移位归一化器，其耦合至第一多路复用器，其中，移位归一化器能够接收乘法累加结果和多个2的幂次方的指数值，其中，移位归一化器将对乘法累加结果的量化限制为2的幂次方的标度；以及第二多路复用器，其耦合到移位归一化器的输出、第一多路复用器，并接收第二零点且输出激活。

摘要： 本申请是关于一种卷积计算加速器、卷积计算方法及卷积计算设备，涉及电子电路技术领域。该卷积计算加速器包括：控制器、计算矩阵以及第一缓存，计算矩阵中包含至少一行计算单元，每行计算单元中包含至少两个计算单元；控制器，用于控制将载入至第一缓存的输入数据输入至对应行的计算单元中，由对应行的计算单元将输入数据在对应行的计算单元中进行传输；对应行的计算单元中的每一个计算单元将接收到的输入数据与预先存储的卷积核进行卷积计算，处于同一行的至少两个计算单元复用同一份输入数据，且只需要一个输入通道，从而降低了计算矩阵的缓存容量和输入带宽需求，提高了计算矩阵的可扩展性。

摘要： 本发明涉及卷积运算装置及卷积神经网路的卷积输入的调规方法。一种卷积运算装置，包括卷积运算模块、存储器、规模控制模块以及调规器。卷积运算模块输出多个带小数部的卷积运算结果；存储器耦接卷积运算模块，接收并储存带小数部的卷积运算结果，以及输出多个带小数部的卷积运算输入值；规模控制模块耦接卷积运算模块，根据带小数部的卷积运算结果的整体规模产生调规信号；调规器耦接存储器、规模控制模块及卷积运算模块，根据调规信号调整带小数部的卷积运算输入值的规模，然后将调整规模后的带小数部的卷积运算输入值输出至卷积运算模块。

摘要： 一种卷积运算方法及装置、卷积处理方法、电子设备与存储介质。该卷积运算方法包括：获取输入数据中的至少部分数据对应的第一矩阵和卷积核对应的权重矩阵；将权重矩阵划分为N个子权重矩阵；对N个子权重矩阵中的第K个子权重矩阵设置对应于第一矩阵的沿第一方向的第K偏移；基于第K偏移，使用第K个子权重矩阵对第一矩阵进行多步卷积运算；对多步卷积运算中的每一步卷积运算对应的第1子运算结果至第N子运算结果进行累加，得到每一步卷积运算对应的第一运算结果；将多步卷积运算对应的多个第一运算结果作为至少部分输出数据并输出多个第一运算结果。该数据处理方法可以适应芯片的硬件特性，充分发挥芯片算力，提高计算性能。

摘要： 本发明公开了一种基于双向LSTM的卷积码译码方法与卷积码编码和译码方法，属于电子通信技术领域，解决传统编译码时间复杂度、空间复杂度随码长、约束度的增大呈指数上升、长码码本不好选取和编码信息容易被截取和破解，安全性低的问题。本发明的方法包括：构建双向LSTM神经网络译码器，神经网络译码器采用双向LSTM神经网络进行译码；建立接收序列数据集，根据接收序列数据集和双向LSTM神经网络构造训练码本；选取训练信噪比，训练信噪比为接收序列的信噪比；设定仿真参数，并利用训练码本和训练信噪比对双向LSTM神经网络译码器进行训练；利用训练后的双向LSTM神经网络译码器进行译码。本发明适用于端到端的卷积码编码和译码。

摘要： 本申请公开一种卷积输入数据确定、卷积运算、图像去噪、方法和系统、加速器、图像处理芯片，其中卷积输入数据确定方法包括：确定当前运算结果对应的卷积运算输入数据；将所述当前运算结果之前的k‑s行卷积结果存入BT；将所述BT中，当前运算结果之前的k‑s列卷积结果存入BL，以根据所述BT、所述BL确定下一层卷积运算的卷积输入数据。本申请能够避免计算输出层不同位置的像素输出时神经网络深度层次的重复计算，能够实现神经网络数据的片上数据缓存，避免获取上层中间结果时频繁的片外数据交互，提高加速器运算效率，减小运算功耗。