导读:本文包含了连接型神经网络论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,卷积,图像,深度,稀疏,密集,特征。
连接型神经网络论文文献综述
王文烨[1]（2019）在《基于密集连接卷积神经网络的步态识别方法》一文中研究指出步态识别是新兴的生物特征识别技术,旨在基于行走姿态识别行人的身份。基于深度学习的步态识别方法已经被陆续提出。本文提出将密集连接卷积神经网络(Densenet)应用于步态特征提取,在CASIA-B步态数据集上与现有基于卷积神经网络的步态识别方法进行对比实验,并取得较高的识别准确率。(本文来源于《网络安全技术与应用》期刊2019年11期）
吴鹏,林国强,郭玉荣,赵振兵[2]（2019）在《自学习稀疏密集连接卷积神经网络图像分类方法》一文中研究指出通道剪枝是深度模型压缩的主要方法之一。针对密集连接卷积神经网络中,每一层都接收其前部所有卷积层的输出特征图作为输入,但并非每个后部层都需要所有先前层的特征,网络中存在很大冗余的缺点。本文提出一种自学习剪枝密集连接网络中冗余通道的方法,得到稀疏密集连接卷积神经网络。首先,提出了一种衡量每个卷积层中每个输入特征图对输出特征图贡献度大小的方法,贡献度小的输入特征图即为冗余特征图;其次,介绍了通过自学习,网络分阶段剪枝冗余通道的训练过程,得到了稀疏密集连接卷积神经网络,该网络剪枝了密集连接网络中的冗余通道,减少了网络参数,降低了存储和计算量;最后,为了验证本文方法的有效性,在图像分类数据集CIFAR-10/100上进行了实验,在不牺牲准确率的前提下减小了模型冗余。(本文来源于《信号处理》期刊2019年10期）
曹辉,翁理国,张德正[3]（2019）在《基于密集连接空洞卷积神经网络的青藏地区云雪图像分类》一文中研究指出为了提高高纬度地区云雪卫星图像的识别准确率,提出了密集连接空洞卷积神经网络与空洞卷积相结合的方法进行云雪卫星图像识别研究;该方法首先采用常规卷积层对图像进行处理得到特征图,然后采用多个密集块和过渡层对特征图进行处理;其中,密集块中采用跨层连接的方式实现了网络中所用层的特征传递,使得大量云雪特征得到重用,同时减轻了训练过程中的梯度消失问题;密集块中的卷积核采用空洞卷积,在减少参数量的同时扩大局部感受野,对云雪的光谱信息进行特征提取;最后,该方法采用平均全局池化层与全连接层得到云雪图像的预测结果;实验结果表明,与其他机器学习方法相比,该方法能够提高卫星云雪图像的识别准确率,具有良好的泛化能力。(本文来源于《计算机测量与控制》期刊2019年09期）
冯诀宵,樊玉琦[4]（2019）在《基于全连接神经网络的雷达目标航迹识别》一文中研究指出在真实雷达数据上模拟生成的点迹数据集,利用深度学习中的生成对抗学习的思想,构建基于全连接神经网络的生成对抗网络(GANs,Generative Adversarial Networks)模型,并引入半监督学习方式,利用少量标签数据实现雷达对抗中目标航迹的有效识别.实验表明,相比于传统的SVM和CNN分类模型,所构建的方法具有明显的性能优势.(本文来源于《东北师大学报(自然科学版)》期刊2019年03期）
郭继昌,吴洁,郭春乐,朱明辉[5]（2019）在《基于残差连接卷积神经网络的图像超分辨率重构》一文中研究指出针对基于卷积神经网络超分辨率重构算法中存在的感受野较小、梯度信息易丢失与网络收敛较慢等问题,提出了基于残差连接卷积神经网络的图像超分辨率重构算法。通过在低分辨率空间进行图像的超分辨率重构,减少了图像预处理过程,降低了网络复杂度。利用局部和全局残差连接,对卷积网络结构和亚像素采样层进行改进,局部残差促进了网络中信息的流动,全局残差使网络只学习图像残差信息,减少了网络冗余。通过增加网络深度扩大了感受野,使网络学习到更多的重建信息。实验结果表明:本文算法的PSNR和SSIM值相较于其他算法有不同程度的提升。(本文来源于《吉林大学学报(工学版)》期刊2019年05期）
李俐,何元飞[6]（2019）在《计算机网络连接增强优化中的神经网络算法》一文中研究指出网络计算机技术的出现,从极大程度上改变了人们传统的生活与工作方式,现阶段计算机网络已经成为人类社会必不可少的重要元素,对社会进步与发展起到了良好助推作用。但是我国在计算机网络连接方面发展起步较晚,与外国发达国家相比存在一定差距,在实际操作过程中我们也不难看到该技术的问题所在,而这些也问题也会带来不同程度上的经济损失,因此有关人员应对其进行必要处理,及时发现问题所在做好防护工作,通过计算机网络连接增强优化中的神经网络算法,进一步提高计算机网络的稳定性与安全性,为国家建设提供更多助力。(本文来源于《计算机产品与流通》期刊2019年08期）
贺彦林,田业,顾祥柏,徐圆,朱群雄[7]（2019）在《基于正则化的函数连接神经网络研究及其复杂化工过程建模应用》一文中研究指出在化工过程的建模中,由于过程数据的高维度和高非线性,导致计算量大幅提升和建模难度加大。为了解决这一问题,本文提出一种基于正则化方法的函数连接神经网络模型(regularization based functional link neural network, RFLNN)。所提出的RFLNN方法里,通过使用正则化的方法对函数连接神经网络的权值进行优化,一方面大幅降低网络计算复杂度和计算量,另一方面极大程度上克服网络局部极值和过拟合的问题,以提高函数连接神经网络的学习速度和精度。为了验证本文所提方法的有效性,首先采用UCI数据中Real estate valuation数据对其性能进行测试;随后将所提的方法应用于高密度聚乙烯(High Density Polyethylene,HDPE)复杂生产过程进行建模。UCI标准数据与工业数据的仿真结果表明,与传统FLNN对比,本文所提出的RFLNN在处理高维复杂化工过程数据时具有收敛速度快、建模精度高等特点。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
向陶然,叶笑春,李文明,冯煜晶,谭旭[8]（2019）在《基于细粒度数据流架构的稀疏神经网络全连接层加速》一文中研究指出深度神经网络(deep neural network, DNN)是目前最先进的图像识别算法,被广泛应用于人脸识别、图像识别、文字识别等领域.DNN具有极高的计算复杂性,为解决这个问题,近年来涌出了大量可以并行运算神经网络的硬件加速器.但是,DNN中的全连接层有大量的权重参数,对加速器的带宽提出了很高的要求.为了减轻加速器的带宽压力,一些DNN压缩算法被提出.然而基于FPGA和ASIC的DNN专用加速器,通常是通过牺牲硬件的灵活性获得更高的加速比和更低的能耗,很难实现稀疏神经网络的加速.而另一类基于CPU,GPU的CNN加速方案虽然较为灵活,但是带来很高的能耗.细粒度数据流体系结构打破了传统的控制流结构的限制,展示出了加速DNN的天然优势,它在提供高性能的运算能力的同时也保持了一定的灵活性.为此,提出了一种在基于细粒度数据流体系结构的硬件加速器上加速稀疏的DNN全连接层的方案.该方案相较于原有稠密的全连接层的计算减少了2.44×～6.17×的峰值带宽需求.此外细粒度数据流加速器在运行稀疏全连接层时的计算部件利用率远超过其他硬件平台对稀疏全连接层的实现,平均比CPU,GPU和mGPU分别高了43.15%,34.57%和44.24%.(本文来源于《计算机研究与发展》期刊2019年06期）
庞彦伟,修宇璇[9]（2019）在《基于边缘特征融合和跨连接的车道线语义分割神经网络》一文中研究指出无人驾驶中的车道线检测任务需要同时确定车道线的位置、颜色和线型,而现有方法通常仅识别车道线的位置,不识别车道线的类型.为了端到端地解决这一问题,设计了一种语义分割神经网络,将一幅图像中不同车道线分割为不同区域,用每个区域的类别标签表示其对应的车道线类型.首先,在主流的编码器-解码器框架下,构建了一个结构较为简单的基础网络.考虑到边缘特征是车道线检测中的重点,为基础网络的编码器并联了一个边缘特征提取子网络,通过逐层融合边缘特征图和原始特征图增强车道线的特征.边缘特征提取子网络的结构与基础网络的编码器相同,其输入是对车道线图像进行Sobel滤波的结果.此外,编码器和解码器对称位置的卷积层输出的特征图尺寸相同,但具有不同的语义层级.为了更好地利用这一特性,建立从编码器到解码器对称位置的跨连接,在解码器逐层上采样的过程中融合编码器对应尺寸的特征图.在TSD-Lane车道线检测数据集上的实验表明,相比于基础网络,基于边缘特征融合和跨连接的神经网络的分割性能得到了较为显着的提高.该网络具有较好的车道线分割性能,能够在确定车道线位置的同时,区分黄线或白线、虚线或实线.在计算资源充足的前提下,该网络能够达到实时的检测速度.(本文来源于《天津大学学报(自然科学与工程技术版)》期刊2019年08期）
姚凯旋,曹飞龙[10]（2019）在《基于多输入密集连接神经网络的遥感图像时空融合算法》一文中研究指出为了解决地表反射率遥感卫星Landsat和MODIS影像的时空融合问题,文中提出基于多输入密集连接网络的遥感图像时空融合算法.首先提出多输入的密集连接网络,学习包含连续时刻间差异信息的过渡遥感影像.基于差异相似假设,融合网络学习得到的2幅过渡影像与已知的2幅高空间分辨率影像,得到最终的预测影像.对Landsat遥感影像和MODIS遥感影像的融合实验表明,文中算法在各项定量指标中均较优,最终的预测图像也可表明,文中算法对噪声具有较好的鲁棒性,能较好地恢复细节信息.(本文来源于《模式识别与人工智能》期刊2019年05期）
连接型神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
通道剪枝是深度模型压缩的主要方法之一。针对密集连接卷积神经网络中,每一层都接收其前部所有卷积层的输出特征图作为输入,但并非每个后部层都需要所有先前层的特征,网络中存在很大冗余的缺点。本文提出一种自学习剪枝密集连接网络中冗余通道的方法,得到稀疏密集连接卷积神经网络。首先,提出了一种衡量每个卷积层中每个输入特征图对输出特征图贡献度大小的方法,贡献度小的输入特征图即为冗余特征图;其次,介绍了通过自学习,网络分阶段剪枝冗余通道的训练过程,得到了稀疏密集连接卷积神经网络,该网络剪枝了密集连接网络中的冗余通道,减少了网络参数,降低了存储和计算量;最后,为了验证本文方法的有效性,在图像分类数据集CIFAR-10/100上进行了实验,在不牺牲准确率的前提下减小了模型冗余。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
连接型神经网络论文参考文献
[1].王文烨.基于密集连接卷积神经网络的步态识别方法[J].网络安全技术与应用.2019
[2].吴鹏,林国强,郭玉荣,赵振兵.自学习稀疏密集连接卷积神经网络图像分类方法[J].信号处理.2019
[3].曹辉,翁理国,张德正.基于密集连接空洞卷积神经网络的青藏地区云雪图像分类[J].计算机测量与控制.2019
[4].冯诀宵,樊玉琦.基于全连接神经网络的雷达目标航迹识别[J].东北师大学报(自然科学版).2019
[5].郭继昌,吴洁,郭春乐,朱明辉.基于残差连接卷积神经网络的图像超分辨率重构[J].吉林大学学报(工学版).2019
[6].李俐,何元飞.计算机网络连接增强优化中的神经网络算法[J].计算机产品与流通.2019
[7].贺彦林,田业,顾祥柏,徐圆,朱群雄.基于正则化的函数连接神经网络研究及其复杂化工过程建模应用[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[8].向陶然,叶笑春,李文明,冯煜晶,谭旭.基于细粒度数据流架构的稀疏神经网络全连接层加速[J].计算机研究与发展.2019
[9].庞彦伟,修宇璇.基于边缘特征融合和跨连接的车道线语义分割神经网络[J].天津大学学报(自然科学与工程技术版).2019
[10].姚凯旋,曹飞龙.基于多输入密集连接神经网络的遥感图像时空融合算法[J].模式识别与人工智能.2019
论文知识图
