应用于智能芯片的可视化反馈系统研究

当前,市场上普遍使用的负责推理的终端人工智能(AI)芯片使用训练好的参数对数据进行快速高效运算。但在通常训练过程中使用的数据集和真实数据的分布不一致,由此获得的参数会导致终端AI芯片识别准确度降低。为此,提出了一种基于终端AI芯片的可视化反馈系统架构方法。使用反卷积特征可视化方法,在具有高效计算性能的终端AI芯片上,对卷积核参数进行迭代优化,达到可识别该图像目的。相比于CPU/GPU和FPGA,所提架构在卷积神经网络模型里,更具有高效处理能力和灵活可塑性。实验表明,该研究有效提高了终端AI芯片的普适性、识别准确度和处理效率。

基于自动驾驶系统的轻量型卷积神经网络优化

计算机视觉技术大量应用于自动驾驶系统,主要解决物体识别与物体分类问题,本文根据任务提出了一种轻量化的神经网络结构.为解决训练数据规模不足的问题,采用了改进型数据增强算法,使训练数据成倍增加.同时为解决使用数据生成器作为验证集,无法使用tensorboard的问题,提出了解决方案,通过卷积网络可视化方法详细研究了神经网络处理图像信息的原理并提出了优化方法.训练后的模型在验证集上准确率达到了97.5%,满足了自动驾驶系统对分类任务准确率的要求.

基于深度全卷积神经网络的图像识别研究

将要建立多层卷积网络模型,并使用AlexNet预训练模型,在此基础上进行迁移学习,使用kaggle的猫狗数据集进一步训练,模型最终能高灵活度、高准确率的识别猫狗图像,并且不受图像中猫狗的占比大小影响。该网络模型共有6 000万参数,一共包含8个卷积层,其中某些卷积层带有归一化层和池化层,最后一层是具有两个通道的图像输出,每个通道的值分别代表图像为猫和狗的概率。整个网络模型,弃用全连接层,选用全卷积网络来代替全连接层,大大提高网络的灵活性,解决了输入图像分辨率的限制问题,并且全卷积网络的前向传播更加高效,加快了训练的速度。为了方便分析以及进一步的研究,将可视化一层卷积和二层卷积所得到的卷积核和特征图。