期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
端到端双通道特征重标定DenseNet图像分类
被引量:
12
1
作者
郭玉荣
张珂
+3 位作者
王新胜
苑津莎
赵振兵
马占宇
《中国图象图形学报》
CSCD
北大核心
2020年第3期486-497,共12页
目的针对密集连接卷积神经网络(Dense Net)没有充分考虑通道特征相关性以及层间特征相关性的缺点,本文结合软注意力机制提出了端到端双通道特征重标定密集连接卷积神经网络。方法提出的网络同时实现了Dense Net网络的通道特征重标定与...
目的针对密集连接卷积神经网络(Dense Net)没有充分考虑通道特征相关性以及层间特征相关性的缺点,本文结合软注意力机制提出了端到端双通道特征重标定密集连接卷积神经网络。方法提出的网络同时实现了Dense Net网络的通道特征重标定与层间特征重标定。给出了Dense Net网络通道特征重标定与层间特征重标定方法;构建了端到端双通道特征重标定密集连接卷积神经网络,该网络每个卷积层的输出特征图经过两个通道分别完成通道特征重标定以及层间特征重标定,再进行两种重标定后特征图的融合。结果为了验证本文方法在不同图像分类数据集上的有效性和适应性,在图像分类数据集CIFAR-10/100以及人脸年龄数据集MORPH、Adience上进行了实验,提高了图像分类准确率,并分析了模型的参数量、训练及测试时长,验证了本文方法的实用性。与Dense Net网络相比,40层及64层双通道特征重标定密集连接卷积神经网络DFR-DenseNet (dual feature reweight Dense Net),在CIFAR-10数据集上,参数量仅分别增加1.87%、1.23%,错误率分别降低了12%、9.11%,在CIFAR-100数据集上,错误率分别降低了5.56%、5.41%;与121层DFR-DenseNet网络相比,在MORPH数据集上,平均绝对误差(MAE)值降低了7.33%,在Adience数据集上,年龄组估计准确率提高了2%;与多级特征重标定密集连接卷积神经网络MFR-DenseNet(multiple feature reweight Dense Net)相比,DFR-DenseNet网络参数量减少了一半,测试耗时约缩短为MFR-DenseNet的61%。结论实验结果表明本文端到端双通道特征重标定密集连接卷积神经网络能够增强网络的学习能力,提高图像分类的准确率,并对不同图像分类数据集具有一定的适应性、实用性。
展开更多
关键词
双
通道
特征
重标定
密集
连接
卷积
神经网络
通道
特征
重标定
层间
特征
重标定
图像分类
端到端
原文传递
D-2-DenseNet噪音鲁棒的城市音频分类模型
2
作者
曹毅
黄子龙
+2 位作者
盛永健
刘晨
费鸿博
《北京邮电大学学报》
EI
CAS
CSCD
北大核心
2021年第1期86-91,共6页
为了提高噪音环境下城市音频分类系统的鲁棒性,提出了一种双特征2阶密集卷积神经网络(D-2-DenseNet)噪音鲁棒的城市音频分类模型.首先介绍了噪音添加和噪音鲁棒处理,阐述了一种双特征互补偿的算法;然后结合2阶密集卷积神经网络与自适应...
为了提高噪音环境下城市音频分类系统的鲁棒性,提出了一种双特征2阶密集卷积神经网络(D-2-DenseNet)噪音鲁棒的城市音频分类模型.首先介绍了噪音添加和噪音鲁棒处理,阐述了一种双特征互补偿的算法;然后结合2阶密集卷积神经网络与自适应机制提出了一种噪音鲁棒音频分类模型:双特征2阶密集卷积神经网络.模型采用双特征互补偿自适应算法,可在特征提取与模型训练中更有针对性地提取有效音频信息,降低噪音干扰,以提高噪音鲁棒性.最后,基于Dcase2016数据集开展噪音环境下城市音频分类测试.实验结果表明,模型分类准确率分别可达77.12%、75.52%,与基线模型相比,平均分类准确率分别提高了8.51%和10.38%,验证了模型良好的噪音鲁棒性.
展开更多
关键词
城市音频分类
噪音鲁棒性
双
特征
互补偿
2
阶
密集
卷积
神经网络
双特征2阶密集卷积神经网络
原文传递
题名
端到端双通道特征重标定DenseNet图像分类
被引量:
12
1
作者
郭玉荣
张珂
王新胜
苑津莎
赵振兵
马占宇
机构
华北电力大学电子与通信工程系
北京邮电大学信息与通信工程学院人工智能研究院
出处
《中国图象图形学报》
CSCD
北大核心
2020年第3期486-497,共12页
基金
国家自然科学基金项目(61871182,61922015,61773071,61302163)
河北省自然科学基金项目(F2015502062,F2016502101,F2017502016)
+1 种基金
北京市自然科学基金项目(4192055)
中央高校基本科研经费项目(2018MS094,2018MS095)。
文摘
目的针对密集连接卷积神经网络(Dense Net)没有充分考虑通道特征相关性以及层间特征相关性的缺点,本文结合软注意力机制提出了端到端双通道特征重标定密集连接卷积神经网络。方法提出的网络同时实现了Dense Net网络的通道特征重标定与层间特征重标定。给出了Dense Net网络通道特征重标定与层间特征重标定方法;构建了端到端双通道特征重标定密集连接卷积神经网络,该网络每个卷积层的输出特征图经过两个通道分别完成通道特征重标定以及层间特征重标定,再进行两种重标定后特征图的融合。结果为了验证本文方法在不同图像分类数据集上的有效性和适应性,在图像分类数据集CIFAR-10/100以及人脸年龄数据集MORPH、Adience上进行了实验,提高了图像分类准确率,并分析了模型的参数量、训练及测试时长,验证了本文方法的实用性。与Dense Net网络相比,40层及64层双通道特征重标定密集连接卷积神经网络DFR-DenseNet (dual feature reweight Dense Net),在CIFAR-10数据集上,参数量仅分别增加1.87%、1.23%,错误率分别降低了12%、9.11%,在CIFAR-100数据集上,错误率分别降低了5.56%、5.41%;与121层DFR-DenseNet网络相比,在MORPH数据集上,平均绝对误差(MAE)值降低了7.33%,在Adience数据集上,年龄组估计准确率提高了2%;与多级特征重标定密集连接卷积神经网络MFR-DenseNet(multiple feature reweight Dense Net)相比,DFR-DenseNet网络参数量减少了一半,测试耗时约缩短为MFR-DenseNet的61%。结论实验结果表明本文端到端双通道特征重标定密集连接卷积神经网络能够增强网络的学习能力,提高图像分类的准确率,并对不同图像分类数据集具有一定的适应性、实用性。
关键词
双
通道
特征
重标定
密集
连接
卷积
神经网络
通道
特征
重标定
层间
特征
重标定
图像分类
端到端
Keywords
dual feature reweight Dense Net(DFR-DenseNet)
channel feature reweight
inter-layer feature reweight
image classification
end-to-end
分类号
TP301.6 [自动化与计算机技术—计算机系统结构]
原文传递
题名
D-2-DenseNet噪音鲁棒的城市音频分类模型
2
作者
曹毅
黄子龙
盛永健
刘晨
费鸿博
机构
江南大学机械工程学院
出处
《北京邮电大学学报》
EI
CAS
CSCD
北大核心
2021年第1期86-91,共6页
基金
国家自然科学基金项目(51375209)
江苏省“六大人才高峰”计划项目(ZBZZ-012)
+1 种基金
高等学校学科创新引智计划项目(B18027)
江苏省研究生创新计划项目(JNKY20_1928)。
文摘
为了提高噪音环境下城市音频分类系统的鲁棒性,提出了一种双特征2阶密集卷积神经网络(D-2-DenseNet)噪音鲁棒的城市音频分类模型.首先介绍了噪音添加和噪音鲁棒处理,阐述了一种双特征互补偿的算法;然后结合2阶密集卷积神经网络与自适应机制提出了一种噪音鲁棒音频分类模型:双特征2阶密集卷积神经网络.模型采用双特征互补偿自适应算法,可在特征提取与模型训练中更有针对性地提取有效音频信息,降低噪音干扰,以提高噪音鲁棒性.最后,基于Dcase2016数据集开展噪音环境下城市音频分类测试.实验结果表明,模型分类准确率分别可达77.12%、75.52%,与基线模型相比,平均分类准确率分别提高了8.51%和10.38%,验证了模型良好的噪音鲁棒性.
关键词
城市音频分类
噪音鲁棒性
双
特征
互补偿
2
阶
密集
卷积
神经网络
双特征2阶密集卷积神经网络
Keywords
sound event classification
noise robust
dual features mutual compensation
2
-order dense convolutional network
2
-order dense convolutional network using dual features
分类号
TP391.42 [自动化与计算机技术—计算机应用技术]
原文传递
题名
作者
出处
发文年
被引量
操作
1
端到端双通道特征重标定DenseNet图像分类
郭玉荣
张珂
王新胜
苑津莎
赵振兵
马占宇
《中国图象图形学报》
CSCD
北大核心
2020
12
原文传递
2
D-2-DenseNet噪音鲁棒的城市音频分类模型
曹毅
黄子龙
盛永健
刘晨
费鸿博
《北京邮电大学学报》
EI
CAS
CSCD
北大核心
2021
0
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部