本文主要研究内容
作者沈悦（2019）在《铁路异物入侵深度识别网络快速训练算法》一文中研究指出：异物侵入铁路限界对铁路系统可靠性造成了极大的威胁。为达到高分类准确率及低模型内存占用率兼备的目的,针对既有技术方法中分类效果、泛化性能较差以及耗时久、模型占用空间大等问题,本文提供了一种快速训练算法,采用网络迁移压缩同时进行的方式,提出基于特征图L1或L2范数的递归式裁剪准则剔除冗余卷积核以压缩网络。对于单个相机新场景的目标分类任务,只需使用在混合场景数据上得到的最优分类网络模型通过压缩和微调训练便可以实现不同场景铁路异物分类的快速训练。实验表明,在基于铁路场景数据库的测试中,该算法可以将原始VGG16模型的参数消耗内存压缩1 020倍,在不同的单个相机场景测试样本库上压缩后网络的分类误差最低为0.34%。
Abstract
yi wu qin ru tie lu xian jie dui tie lu ji tong ke kao xing zao cheng le ji da de wei xie 。wei da dao gao fen lei zhun que lv ji di mo xing nei cun zhan yong lv jian bei de mu de ,zhen dui ji you ji shu fang fa zhong fen lei xiao guo 、fan hua xing neng jiao cha yi ji hao shi jiu 、mo xing zhan yong kong jian da deng wen ti ,ben wen di gong le yi chong kuai su xun lian suan fa ,cai yong wang lao qian yi ya su tong shi jin hang de fang shi ,di chu ji yu te zheng tu L1huo L2fan shu de di gui shi cai jian zhun ze ti chu rong yu juan ji he yi ya su wang lao 。dui yu chan ge xiang ji xin chang jing de mu biao fen lei ren wu ,zhi xu shi yong zai hun ge chang jing shu ju shang de dao de zui you fen lei wang lao mo xing tong guo ya su he wei diao xun lian bian ke yi shi xian bu tong chang jing tie lu yi wu fen lei de kuai su xun lian 。shi yan biao ming ,zai ji yu tie lu chang jing shu ju ku de ce shi zhong ,gai suan fa ke yi jiang yuan shi VGG16mo xing de can shu xiao hao nei cun ya su 1 020bei ,zai bu tong de chan ge xiang ji chang jing ce shi yang ben ku shang ya su hou wang lao de fen lei wu cha zui di wei 0.34%。
论文参考文献
论文详细介绍
论文作者分别是来自电子设计工程的沈悦，发表于刊物电子设计工程2019年22期论文，是一篇关于铁路异物分类论文,卷积神经网络论文,深度网络模型论文,迁移压缩论文,电子设计工程2019年22期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自电子设计工程2019年22期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：铁路异物分类论文; 卷积神经网络论文; 深度网络模型论文; 迁移压缩论文; 电子设计工程2019年22期论文;