卷积核

摘要： 目的 探究不同多模型迭代重建算法(ASi R-V)与卷积核重建算法参数对基于深度学习的CT自动分割稳定性的影响。方法 选取20例行盆腔放疗的病人,采用不同的重建参数建立CT影像数据集,利用深度学习神经网络对3个软组织器官(膀胱、肠袋、小肠)和5个骨性器官(左、右股骨头,左、右股骨,骨盆)进行自动分割,并以滤波反投影CT的分割结果为参考,比较不同重建CT上自动分割结果的DSC系数和Hausdorff距离。结果 器官的自动分割受ASi R-V参数影响较大,受卷积核参数影响较小,且在软组织中更加明显。结论 基于深度学习的自动分割稳定性会受到CT图像重建算法参数选择的影响,在实际应用中需在图像质量与分割质量中寻求平衡,或者改进分割网络来提高自动分割的稳定性。

摘要： 为了提高文本分类的性能,采用差分进化的卷积神经网络(convolutional neural network,CNN)算法进行分类.首先随机设置CNN结构参数,然后采用差分进化算法优化参数,通过交叉和选择等操作选择不断进化获得最优个体,为增强差分优化的适用性,将缩放因子变化与进化代数相关联,解决了因为缩放因子设置不合理而造成优化等级不高的问题.卷积神经网络采用经过差分优化后的权重和阈值对文本进行分类训练,以获得稳定的文本分类结果.实验证明,通过合理设置差分进化交叉速率和卷积神经网络的卷积核尺寸,能够获得较好的分类准确率性能,RMSE值更低,在文本分类中的适用度高.

摘要： 为了有效改善现有人脸表情识别模型中存在的信息丢失严重、组件间相对空间联系不密切的问题,提出了一种改进的多尺度卷积神经网络模型,通过构建深层多尺度卷积神经网络,使模型能够挖掘出更多潜在的特征信息;通过特征融合促进信息的流通和重利用,减少池化操作所引起的重要信息丢失,使得模型具有更好的学习能力;通过控制每层多尺度卷积神经网络的卷积核大小来平衡全局特征与局部特征之间的关系,从而增强不同组件间的相对空间联系,避免了特征图通道信息的冗余。在两种不同的人脸表情识别数据集JAFFE和FER-2013上进行验证表明,算法在测试集上的准确率分别达到了95.45%和76.56%,证明了所提算法的有效性和先进性。

摘要： 地震数据采集过程中,由于采集成本的制约,炮点间距相对检波点间距大,导致地震数据一致性弱,影响自由表面多次波衰减与偏移成像的精度.较大的炮点间距使得共检波点道集在傅里叶变换域出现严重的空间假频,给压缩感知插值重建方法带来巨大挑战,需研究抗假频机制.本文利用深度学习强大的非线性表征能力,设计结合ResNet和U-net优势的Res-U-net网络;运用格林函数空间互易性,自适应构建训练集,利用共炮点道集对设计的网络进行训练和验证,应用于共检波点道集,实现缺失炮的智能重建.为了进一步提高缺失炮重建精度,基于地震数据的周期和波长属性,设计合理的卷积核大小,并考虑地下速度变化情况,利用扩张卷积组合实现高效高精度地震数据表征,达到缺失炮插值重建的目的.模拟数据分析和实际资料处理验证了基于周期和波长的卷积核设计的合理性以及扩张卷积的有效性,为后续偏移成像提供横向连续性较好的地震数据.

摘要： 针对LSTM神经网络模型的计算量较大,不可控的自主选择过程以及容易过拟合等问题,提出了TCK-LSTM-ATT模型,利用卷积核对数据特征进行提取合并,采用注意力机制对重要数据进行加权的组合模型方法。为了验证该模型对于供水量预测的准确性,利用中国东北某市2019年到2020年的某供水管网系统供水数据进行验证。实验结果表明,与普通模型相比,组合模型的预测误差减少约20%,R^(2)值约为9.5,取得了较好的预测效果。

摘要： 针对目前对于音频信息情感的研究较少以及对音频情感进行智能分析识别缺乏成熟技术的问题,文中提出了一种基于VGGish网络的音频信息情感智能识别算法。该算法通过VGGish网络提取音频信息的特征,利用降维可视化的方法不断调整不同情感音乐数据集分布,通过SVM和LSTM模型实现了音乐情感分类。算法测试结果表明,两种分类模型均能够对音频信息情感进行准确有效地分类,尤其是LSTM模型对于音频信息情感分类的平均准确率可达90.12%。

摘要： 昆虫刺吸电位(Electrical Penetration Graph,EPG)波形一直以来靠人工识别,不仅耗时费力,且主观性强。针对这一问题,文中提出一种利用深度学习中的卷积神经网络对其进行自动识别的方法。实验中首先对获取的EPG波形进行去噪、分帧等预处理;然后进入一维卷积神经网络进行训练,通过对卷积层数、卷积核大小、学习率、迭代次数等参数进行对比选择,确定两个卷积层和池化层的网络结构,得到了97.5%的平均识别率。这是深度学习在EPG波形识别方面做的初次尝试,相比于传统的机器学习方法,具有更高的识别性能。实验结果表明,文中提出的基于一维卷积神经网络的EPG波形识别方法切实可行。

摘要： 为了提高移动采摘机器人在复杂野外环境下检测油茶果的速度和鲁棒性,在YOLOv4⁃tiny网络的基础上提出YOLO⁃Oleifera网络。首先将两个1×1和3×3的卷积核分别添加至YOLOv4⁃tiny网络的第2个和第3个CSPBlock模块之后,以有助于学习油茶果的特征信息和减少计算复杂度;接着使用K⁃means++先验框聚类算法代替YOLOv4⁃tiny网络使用的K⁃means先验框聚类算法,以获得满足油茶果尺寸的聚类结果。消融实验证明了网络改进的有效性。分别测试光照和阴影环境下的油茶果图像,实验表明YOLO⁃Oleifera网络在不同光照条件下检测油茶果具有鲁棒性。此外,对比实验表明被遮挡的油茶果因为语义信息的缺失而导致Precision和Recall降低。将YOLO⁃Oleifera网络的测试结果与YOLOv5⁃s、YOLOv3⁃tiny和YOLOv4⁃tiny网络进行比较,结果显示YOLO⁃Oleifera网络的AP最高,而且YOLO⁃Oleifera网络占用硬件资源最小。此外,YOLO⁃Oleifera网络检测图像平均花费31 ms,能够满足移动采摘机器人的实时检测需求。因此,提出的YOLO⁃Oleifera网络更加适合搭载在移动采摘机器人上进行检测任务。

摘要： 针对长输油气管道缺陷尺寸的智能识别、有效评估管道损伤程度的问题,提出了一种基于卷积神经网络的漏磁数据智能识别处理方法。该方法将漏磁检测信号的结构化数据作为模型量化分析输入源,可有效减小检测干扰的影响。利用卷积核提取管道缺陷处的漏磁检测数据特征,改进输出层激活函数,线性输出结果,实现对管道缺陷尺寸的智能识别。实验结果表明:该方法对管道缺陷具有良好的量化能力,量化误差为2~4 mm,满足工程需求,同时可快速对工程数据进行批量识别,在管道漏磁内检测数据处理领域具有很好的应用前景。

摘要： 本研究通过跨学科研究法、信息研究法,对信息的收集和处理中的卷积神经网络技术及其结构模型进行了分析,运用“固定数据+卷积核+实时数据”的评判模式,得出人工智能在足球战术以及球员评判的卷积神经网络模型的结论。研究将产生提高足球比赛的质量,科学评价球员行为的价值。1研究背景2022年2月1日,中国男子足球队在世界杯预选赛中1∶3败给实力较弱的越南,同年3月24日,同支队伍败于实力弱于自己越南,战平实力强于自己的沙特,原因是多方面,但战术细节是一个不可忽视的重要方面。

摘要： 针对用于对比的新旧无人机影像在色彩和明暗程度上存在较大差异并且对影相解译、判别对比等带来干扰的问题,提出基于亮度校正模型构建和色彩平衡的影像辐射校正方法.基于目标不变性原则和最小二乘法,根据V通道内的亮度值构建亮度校正模型进行新旧时相影像的亮度自动校正.通过颜色平衡算法中的卷积核在整幅影像中滑动进行卷积运算来局部调节色彩.实验证明,该方法对于新旧时相影像间辐射校正的均方根误差相比较原始影像下降到10～20之间,有效地调节了新旧时相影像的色彩和亮度.

摘要： 目的：评价多种后处理方案在减轻后颅窝伪影方面的应用价值.rn 方法：临床需行头颅CT平扫并且后颅窝有伪影的成人患者40例,分别采用不同后处理方式减轻后颅窝伪影.A组卷积核D30,B组卷积核D24,C组卷积核D34,D组为A组行SAFIRE3级重建后图像Q3,E组为A组行单能谱软件处理后的16组图像,F组为D组行单能谱软件处理后的16组图像.分别评价A-D组及E、F组中16个亚组图像的后颅窝伪影,并对各感兴趣区域进行图像质量客观评价及后颅窝伪影分析.rn 结果：六组三个部位的平均CT值差异均无统计学意义(P>0.05),SD值的差异有统计学意义(P<0.05),且F组80keV时最小,SNR有统计学差异(P<0.05),且F组80keV时最大.rn 结论：单纯卷积核D24图像最佳;D30经SAFIRE3级重建后的图像,减轻伪影效果较好;D30图像经SAFIRE3级和单能谱软件再处理后的图像,减轻伪影效果更佳.推荐临床使用D30经SAFIRE3级重建后的图像,因其简单、方便操作效果亦较好.

摘要： 在SPECT成像剂量计算的卷积核方法中卷积核是关键。本文采用MC技术研究放射性核素131I的放疗特性。研究给出了131I衰变过程的MC抽样表达式，实现了含电子和光子的混合抽样模拟。对水客体中131I衰变的MC模拟结果表明131I能够有效地治疗甲状腺肿瘤而几乎不影响正常组织，变密度客体的MC模拟结果指出沉积能量与面密度之间的关系与密度无关，满足卷积核自适应的要求，并且MC模拟能够提供剂量卷积核函数，为快速剂量计算提供数据。

摘要： 本文提出在自定义CDib类的基础上运用卷积算法实现图像的低通变换从而达到图像加工的目的.并给出了程序的部分代码.

摘要： 本文提出在自定义CDib类的基础上运用卷积算法实现图像的低通变换从而达到图像加工的目的.并给出了程序的部分代码.

摘要： 本文提出在自定义CDib类的基础上运用卷积算法实现图像的低通变换从而达到图像加工的目的.并给出了程序的部分代码.

摘要： 本文提出在自定义CDib类的基础上运用卷积算法实现图像的低通变换从而达到图像加工的目的.并给出了程序的部分代码.

摘要： 本文提出在自定义CDib类的基础上运用卷积算法实现图像的低通变换从而达到图像加工的目的.并给出了程序的部分代码.

摘要： 本公开提供了卷积核参数可配的神经卷积阵列电路核、处理器及电路。卷积核参数可配的神经卷积阵列电路核，包括数据滑动移入部分，被配置为将卷积阵列划分成多个并行数据窗口；多路选择器，被配置为：通过像素数据输入总线扫描右移输入像素数据，完成对卷积阵列的像素数据的右移滑动更新；通过卷积核系数输入总线串行扫描卷积核系数，完成对卷积阵列的卷积核的系数配置；通过选择端使能多路选择器的两个输入端口中的一个输入端选择性更新数据；点乘部分，被配置为：将每个并行数据窗口内的像素数据与相应卷积核对应各个点系数进行点乘并将点乘结果累加，得到每个并行数据窗口与其对应卷积核的一个卷积结果。

摘要： 本发明公开了一种通用的卷积‑池化同步处理卷积核系统，属于机器学习中卷积神经网络加速技术领域。针对现有的机器学习方法采用软件实现，存在计算能力有限，成本较高等问题，本发明采用硬件设计实现机器学习，以卷积‑池化同步处理的方式来实现对卷积神经网络进行加速的目的，能够在准确率不改变的前提下，能够快速、低功耗、高效率的实现机器学习。现有的卷积神经网络通常的卷积核为固定大小，不能够适应各种设计需要，本发明中的卷积核，能够改变卷积核大小、步长等参数，能够适应各种情况下的设计需要。

摘要： 本发明公开了基于深度卷积神经网络BN层尺度系数的卷积核嫁接方法，首先设置两组不同的训练策略；然后采用两组策略训练同构的两个深度卷积神经网络，训练过程中，对两个深度卷积神经网络的BN层尺度系数进行稀疏化；同时采用特征图学习的方式，保持两个深度卷积神经网络的层内卷积核权值分布的一致性；根据BN层尺度系数，每隔一定迭代次数，将其中一个深度卷积神经网络层内BN层对应尺度系数小的卷积核，替换为另一个深度卷积神经网络层内BN层对应尺度系数大的卷积核。

摘要： 本发明公开了一种卷积神经网络的卷积核及其压缩算法，在卷积神经网络任一输入层和输出层之间仅设置一个卷积核，所述卷积核的大小为f×f×(m+(n‑1)*sc)，其中，m+(n‑1)*sc为通道长度，f×f×m为该卷积核的单次卷积维度，sc为通道方向的步长，n为输出层通道数；在输入层每次取维度为f×f×m的输入特征与所述卷积核延通道方向依次进行点积并以sc为步长遍历整个卷积核，最终得到n个通道输出层。与现有技术相比较，本发明通过设置单个通道深度扩展的卷积核，并利用参数共享和密集连接的思想，能够在不损失精度或损失较小精度的情况下，大大减小了卷积神经网络参数量。

摘要： 本发明公开了基于分解径向对称卷积核的卷积优化方法、装置、终端设备及计算机可读存储介质，所述方法包括：输入待识别图像，并对所述待识别图像进行预处理；分别利用预先分解m*m径向对称卷积核得到的1个1*1的卷积核和(m‑1)/2个1*m(m＝2k+3,k∈N)的卷积核，对经过预处理的待识别图像进行卷积，得到1个1*1的第一特征图和(m‑1)/2个1*m(m＝2k+3,k∈N)的第二特征图；进一步对第二特征图进行卷积，得到第三特征图；对第一特征图和(第三特征图进行求和，得到目标特征图，并输出所述目标特征图。本发明通过在降低径向对称卷积核计算量的基础上降低参数量，进而达到对卷积进行优化的目的。

摘要： 本发明公开了一种基于深度卷积神经网络的小卷积核细胞计数方法及系统，适用于对细胞图像进行计数。包括以下步骤：获取细胞图像数据集，对数据集进行预处理，将数据集分为训练集和测试集，并得到细胞真实密度图；构建用于细胞计数的基于小卷积核的深度卷积神经网络模型；利用训练集训练构建好的神经网络模型，得到最优参数模型；利用测试集测试得到的最优模型，得到预测的细胞密度图及估计细胞数，并评价结果。本发明改进了细胞计数模型，加快了网络训练速度，提高了预测效果和计数准确率。

摘要： 本公开提供了卷积核参数可配的神经卷积阵列电路核、处理器及电路。卷积核参数可配的神经卷积阵列电路核，包括数据滑动移入部分，被配置为将卷积阵列划分成多个并行数据窗口；多路选择器，被配置为：通过像素数据输入总线扫描右移输入像素数据，完成对卷积阵列的像素数据的右移滑动更新；通过卷积核系数输入总线串行扫描卷积核系数，完成对卷积阵列的卷积核的系数配置；通过选择端使能多路选择器的两个输入端口中的一个输入端选择性更新数据；点乘部分，被配置为：将每个并行数据窗口内的像素数据与相应卷积核对应各个点系数进行点乘并将点乘结果累加，得到每个并行数据窗口与其对应卷积核的一个卷积结果。

摘要： 本申请适用于神经网络技术领域，涉及一种卷积运算方法及装置和卷积核拆分方法及单元，卷积运算方法，应用于大小为m*m的卷积运算单元，方法包括：获取用于卷积运算的卷积核和特征数据，所述卷积核为n*n的矩阵，n大于m，n和m为大于1的整数；将所述卷积核按照卷积运算单元的大小分成N个子核，并将所述特征数据对应拆分成N个与所述子核一一对应的子矩阵，N为大于1的整数；将N个所述子矩阵中的每个所述子矩阵与一一对应的所述子核进行卷积运算，得到N个第一运算结果；将N个所述第一运算结果进行累加得到第二运算结果，所述第二运算结果为所述卷积核和所述特征数据的卷积运算结果。本申请实施例可以提升计算资源利用率，降低成本。

摘要： 本申请公开了一种基于超图模型谱聚类的卷积神经网络卷积核剪枝方法、系统、电子设备及存储介质，方法包括：提取目标卷积神经网络的当前卷积层的卷积核集合，并基于该集合生成卷积核特征集合；根据特征集合，构建超图模型，获得超图关联矩阵；根据超图谱聚类算法和预设剪枝率，进行卷积核特征聚类并生成聚类生成卷积核聚类结果；基于卷积核聚类结果对进行剪枝，生成卷积神经网络并进行训练，直至满足目标网络性能；将下一卷积层作为当前卷积层，继续剪枝，直至所有卷积层均完成剪枝，由此，实现了对经典卷积神经网络模型的轻量化，在高剪枝率的前提下，保证了剪枝后的轻量化模型性能维持在原来的水平，并极大地加速了神经网络模型的推断速率。

摘要： 一种脉冲卷积神经网络中卷积核训练的方法及装置，其中方法包括：获取第一计数器的第一计数值和第二计数器的第二计数值，其中，第一计数值为一个训练周期内输入脉冲信号的个数，第二计数值为一个训练周期内输出神经元发出输出脉冲信号的个数，若第二计数值大于训练阈值，则根据第一计数值调整忆阻突触阵列中输出神经元对应的忆阻突触的权重，以及根据第二计数值提高输出神经元的阈值。该方法中脉冲卷积神经网络中的突触和神经元基于忆阻器实现，通过对输入脉冲信号和输出脉冲信号的频率进行统计，动态地调节突触权重和神经元的阈值，可实现特定输入下基于频率学习规则的卷积核训练。