隨著深度學(xué)習(xí)方法不斷地被重視,許多生活中的應(yīng)用得到了革新性的改變,如物體識別技術(shù)的廣泛應(yīng)用。然而,深度學(xué)習(xí)方法的計算復(fù)雜度非常龐大,需要昂貴的硬件作為計算平臺支持。因此,在保持識別準(zhǔn)確率的前提下,提高卷積神經(jīng)網(wǎng)絡(luò)的計算效率對實際應(yīng)用有著非常重要的作用。本文主要提出了基于映射層的指導(dǎo)訓(xùn)練方法與基于感興趣區(qū)域的目標(biāo)檢測方法。在訓(xùn)練端,搭建基于映射層的卷積神經(jīng)網(wǎng)絡(luò),指導(dǎo)模型的訓(xùn)練,實現(xiàn)大幅度提高模型準(zhǔn)確率的效果;在測試端,修改卷積層的計算方法,設(shè)置特定的計算區(qū)域,實現(xiàn)大幅度提高模型檢測效率的效果。本文研究的主要內(nèi)容及創(chuàng)新點如下:1.本文提出了基于映射層的指導(dǎo)訓(xùn)練方法�；诰矸e神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu),重點分析了快速卷積運算和矩陣乘法的計算方式。通過搭建兩個模型之間的訓(xùn)練橋梁,使小規(guī)模模型能夠從大規(guī)模模型中學(xué)習(xí)并得到高效的特征信息。2.本文基于PASCAL和CIFAR-10公共數(shù)據(jù)集,驗證了指導(dǎo)訓(xùn)練方法的穩(wěn)定性和準(zhǔn)確性。測試結(jié)果顯示指導(dǎo)訓(xùn)練方法一方面可提高模型的準(zhǔn)確率,另一方面可降低模型的計算復(fù)雜度,實現(xiàn)了計算速率快且模型準(zhǔn)確率較高的效果。3.本文提出了基于感興趣區(qū)域的目標(biāo)檢測方法。由于卷積神經(jīng)網(wǎng)絡(luò)... 

【文章來源】：深圳大學(xué)廣東省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積原理

圖 2-2 膨脹參數(shù)(dilation)原理化層化層的作用是在滑動窗內(nèi)尋找其最大值，并且保存其最大值進行下一步的操所示，假設(shè)滑動窗的尺寸為 ，步長為 3，那么提取出滑動窗內(nèi)的 9 個數(shù)字并且保存，滑動窗按照步長的大小進行滑動，重復(fù)以上步驟。圖 2-3 池化層原理

11圖 2-3 池化層原理是在滑動窗內(nèi)尋找最大值，同時其也有其他的作用，池化層。池化層的目的是減少整個圖像尺寸的特征以這樣的一個步驟，可以更加明顯地提取其特征。平均平均池化層一方面主要關(guān)注的是所有在池化區(qū)域中導(dǎo)少于等于零的值。另一方面，最大值池化層可以很容


本文編號：3101843