检索结果

Select

1. 基于Octave卷积的混合精度神经网络量化方法

张文烨, 尚方信, 郭浩

计算机应用 2021, 41 (5): 1299-1304. DOI: 10.11772/j.issn.1001-9081.2020071106

摘要（311）

PDF （2485KB）（300）

浮点数位宽的深度神经网络需要大量的运算资源，这导致大型深度神经网络难以在低算力场景（如边缘计算）上部署。为解决这一问题，提出一种即插即用的神经网络量化方法，以压缩大型神经网络的运算成本，并保持模型性能指标不显著下降。首先，基于Octave卷积将输入特征图的高频和低频成分进行分离；其次，分别对高低频分量应用不同位宽的卷积核进行卷积运算；第三，使用不同位宽的激活函数将高低频卷积结果量化至相应位宽；最后，混合不同精度的特征图来获得该层卷积结果。实验结果证实了所提方法压缩模型的有效性，在CIFAR-10/100数据集上，将模型压缩至1+8位宽时，该方法可保持准确率指标的下降小于3个百分点；在ImageNet数据集上，使用该方法将ResNet50模型压缩至1+4位宽时，其正确率指标仍高于70%。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于One-class SVM的噪声图像分割方法

尚方信, 郭浩, 李钢, 张玲

计算机应用 2019, 39 (3): 874-881. DOI: 10.11772/j.issn.1001-9081.2018071494

摘要（839）

PDF （1642KB）（288）

为解决现有无监督图像分割模型对强噪声环境鲁棒性差、无法适应复杂混合噪声的问题，提出了一种基于One-class SVM方法的改进后的噪声鲁棒图像分割模型。首先，基于One-class SVM构建一种数据离群程度检测机制；然后，将离群程度值引入能量泛函，令分割模型可以在多种噪声强度下获得较为准确的图像信息，同时避免现有方法在强噪声环境下，降权机制失效的问题；最后，通过最小化能量函数，驱动分割轮廓向目标边缘演化。在噪声图像分割实验中，当选取不同类型和强度的噪声时，该模型均能得到较为理想的分割结果。在F₁-score评估标准下，该模型比基于局部相关熵的K-means（LCK）模型高0.2~0.3，在强噪声环境下具有更高的稳定性，且在分割收敛时间上仅略大于LCK模型0.1 s左右。实验结果表明，所提模型在未显著增加分割耗时的前提下，对于概率、极值及混合噪声均有着更强的鲁棒性，并且可以分割带有噪声的自然图像。

参考文献 | 相关文章 | 多维度评价

Select

3. 结合局部灰度差异的噪声图像分割模型

李钢, 李海芳, 尚方信, 郭浩

计算机应用 2018, 38 (3): 842-847. DOI: 10.11772/j.issn.1001-9081.2017082134

摘要（585）

PDF （1173KB）（443）

针对未知强度和分布规律的噪声图像难以得到正确分割，现有模型无法适应多种噪声环境的问题，提出了一种基于图像局部灰度差异的噪声图像分割模型。首先，分析局部K均值聚类（LCK）模型和局部相似性系数（RLSF）模型中能量泛函对噪声点的降权机制的不足，提出优化方案；其次，将一种结合局部灰度差异的噪声点修复函数引入能量泛函，降低了显著偏离局部均值的噪声点对分割结果的干扰；最后使用变分法推导出该模型的水平集迭代方程。与局部二值拟合（LBF）模型、LCK模型和RLSF模型相比，使用该模型进行噪声自然图像分割时，可得到更高的查全率、查准率和F值。实验结果表明，所提模型可稳定、有效地分割非均匀和高噪声图像。

参考文献 | 相关文章 | 多维度评价