針對(duì)當(dāng)前卷積神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)領(lǐng)域的效率低,誤報(bào)率高等問題,提出一種新型的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò).通過將SqueezeNet網(wǎng)絡(luò)模型中Fire模塊中的3×3卷積核替換成一組深度可分離的3×1與1×3的卷積核,并構(gòu)建SpeedNet網(wǎng)絡(luò)結(jié)構(gòu),替換模型卷積獲得變形結(jié)構(gòu).實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的CNN網(wǎng)絡(luò)架構(gòu)相比,不降低精確度的情況下,提高了檢測(cè)效率.

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖2 變形卷積核

圖1標(biāo)準(zhǔn)卷積結(jié)構(gòu)3.2深度可分離卷積

圖9 Speed＿v2網(wǎng)絡(luò)結(jié)構(gòu)

圖8Speed＿v1網(wǎng)絡(luò)結(jié)構(gòu)4實(shí)驗(yàn)與分析

圖1 標(biāo)準(zhǔn)卷積結(jié)構(gòu)

圖1為標(biāo)準(zhǔn)的正方形卷積核，其大小為Df×Df.變形卷積是由標(biāo)準(zhǔn)正方形卷積核分解而來，用1×Df的卷積核和Df×1的卷積核代替Df×Df的卷積核，標(biāo)準(zhǔn)卷積核通過一種正方形卷積核完成一次卷積，變形卷積核將其分為兩步進(jìn)行卷積，可以降低原本卷積核的參數(shù)數(shù)量.本文采取的策略是：先用Df×1....

圖3 深度可分離卷積核

深度可分離卷積是對(duì)標(biāo)準(zhǔn)卷積的一種分解，標(biāo)準(zhǔn)的卷積核在通道平面和通道間卷積是一步完成的，深度可分離卷積是通過拆解成兩步達(dá)到降低參數(shù)的目的.例如：DK×DK大小的輸入，卷積通道為M，輸出通道為N，卷積核大小為Df×Df，傳統(tǒng)卷積方式是用N個(gè)Df×Df的卷積核遍歷M個(gè)通道，進(jìn)而通過疊加....

本文編號(hào)：4025026