本文選題：深度卷積神經(jīng)網(wǎng)絡(luò) + CUDA-cuDNN方法��； 參考：《計(jì)算機(jī)工程與應(yīng)用》2017年13期

【摘要】：為了應(yīng)對(duì)大量圖像的分類問(wèn)題,提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)和CUDA-cuDNN并行運(yùn)算的快速圖像分類方法。該方法利用深度卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)特征的優(yōu)勢(shì)來(lái)解決手工設(shè)計(jì)特征普適性差等問(wèn)題,同時(shí)結(jié)合基于CUDA架構(gòu)的cuDNN并行運(yùn)算策略來(lái)提高訓(xùn)練速度和加快分類速度,并且針對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)易受參數(shù)擾動(dòng)等缺點(diǎn),引入批量正則化(Batch Normalization)以提高算法的魯棒性。實(shí)驗(yàn)結(jié)果表明,該方法不僅大幅縮短了訓(xùn)練時(shí)間同時(shí)加快了圖像的分類速度,而且進(jìn)一步降低了圖像分類的錯(cuò)誤率。
[Abstract]:In order to deal with the problem of image classification, a fast image classification method based on deep convolution neural network and CUDA-cuDNN parallel operation is proposed. This method utilizes the advantage of automatic learning feature of deep convolution neural network to solve the problem of poor universality of manual design features, and combines cuDNN parallel computing strategy based on CUDA architecture to improve training speed and speed up classification. In order to improve the robustness of the algorithm, batch regularization is introduced to improve the robustness of the algorithm. The experimental results show that the proposed method not only shortens the training time but also speeds up the image classification speed and further reduces the error rate of image classification.
【作者單位】： 華東理工大學(xué)信息科學(xué)與工程學(xué)院;上海師范大學(xué)信息與機(jī)電工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(No.61071085) 上海市教育委員會(huì)創(chuàng)新項(xiàng)目(No.14ZZ121)
【分類號(hào)】：TP183;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 黃凱奇;任偉強(qiáng);譚鐵牛;;圖像物體分類與檢測(cè)算法綜述[J];計(jì)算機(jī)學(xué)報(bào);2014年06期

2 劉建偉;劉媛;羅雄麟;;深度學(xué)習(xí)研究進(jìn)展[J];計(jì)算機(jī)應(yīng)用研究;2014年07期

3 鄭胤;陳權(quán)崎;章毓晉;;深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J];中國(guó)圖象圖形學(xué)報(bào);2014年02期

4 劉進(jìn)鋒;郭雷;;CPU與GPU上幾種矩陣乘法的比較與分析[J];計(jì)算機(jī)工程與應(yīng)用;2011年19期

5 劉紹波;劉明貴;張國(guó)華;;基于CUDA的加速M(fèi)ATLAB計(jì)算研究[J];計(jì)算機(jī)應(yīng)用研究;2010年06期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陶崢嶸;;基于機(jī)器學(xué)習(xí)的行人檢測(cè)[J];電子技術(shù);2017年06期

2 片兆宇;史天予;袁德鵬;胡玉蘭;王棟;;分層視覺(jué)特征感知在目標(biāo)識(shí)別中的應(yīng)用[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2017年06期

3 呂靜;高陳強(qiáng);杜銀和;程華;;基于雙通道特征自適應(yīng)融合的紅外行為識(shí)別方法[J];重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年03期

4 鐘劍丹;雷濤;姚光樂(lè);賈文武;;基于支持向量約簡(jiǎn)的快速目標(biāo)檢測(cè)[J];半導(dǎo)體光電;2017年03期

5 鄧凝旖;沈志強(qiáng);郭躍飛;;基于類別先驗(yàn)與深度神經(jīng)網(wǎng)絡(luò)特征的顯著性檢測(cè)[J];計(jì)算機(jī)工程;2017年06期

6 王丹丹;宋懷波;何東健;;蘋(píng)果采摘機(jī)器人視覺(jué)系統(tǒng)研究進(jìn)展[J];農(nóng)業(yè)工程學(xué)報(bào);2017年10期

7 任宇飛;李宇;黃海寧;;深度學(xué)習(xí)的主動(dòng)聲納信號(hào)增強(qiáng)方法研究[J];網(wǎng)絡(luò)新媒體技術(shù);2017年03期

8 李可心;戚大偉;牟洪波;倪海明;;基于灰度共生矩陣與SOM神經(jīng)網(wǎng)絡(luò)的樹(shù)皮紋理特征識(shí)別[J];森林工程;2017年03期

9 吳，

本文編號(hào)：2082953