摘要：FPGA因其灵活性、高并行性和可定制性,在卷积神经网络的加速中表现出良好的性能。实践中通常会将卷积的乘加运算交付给FPGA的DSP块,因此DSP的使用效率会直接影响加速器的性能。将两个乘法操作封装到一个DSP块可以同时提高DSP资源的利用率和卷积运算的速度。符号校准电路解决双乘法器封装带来的符号问题,使其支持的运算扩展到双有符号数,扩大算子对激活函数的支持范围。通过将卷积运算展开成向量内积的方式,进一步提高运算的并行度。

摘要：图像降噪可有效地改善图像质量,提升感官效果,也是图像特征提取与理解的前提.针对目前比较流行的卷积神经网络降噪方法中顺序连接的卷积层-反卷积层会使图像在梯度反传过程中逐渐弱化图像噪声的学习问题,提出一种深度非对称跳跃连接的方法用于图像降噪.该方法设计多组非对称跳跃连接卷积-反卷积算子,以有效学习图像细节及噪声信息,并对不同深度的卷积操作进行权重量化,以加强图像降噪及恢复;通过非对称跳跃连接可使图像噪声信息能够直接反传到对应的多个卷积层中,对梯度扩散有良好的抑制作用.采用伯克利分割数据集BSD300进行实验的结果表明,文中算法比基准方法在结构相似性(SSIM)和峰值信噪比(PSNR)2种指标上都有提升.

摘要：利用卷积算子和H1(R)核函数给出了一种设计Hn(R)核函数的新方法,该方法简便易行。运用该方法设计的核函数,应用在轴承正常振动信号数据、轴承内圈、外圈以及滚动体故障振动信号数据进行核主成分分析(KPCA)中,仿真结果表明:该方法可以有效地识别轴承正常和内圈、外圈以及滚动体故障。

摘要：为解决因运动模糊导致的图像关键信息丢失问题,提出一种高效盲去模糊算法。鉴于图像的模糊过程会显著降低图像在频域的表达,同时也会显著改变清晰图像的稀疏性,提出基于图像卷积谱和L0正则化的鲁棒去模糊算法,分别对图像与模糊核进行约束。该算法基于分离变量的方法,保证每个子问题都有良好的收敛性,在文本与自然图像去模糊任务中都取得了良好的效果。

摘要：深度卷积神经网络在CT图像肺结节分割任务中取得了良好效果,但是卷积算子的空间不变性和通道特异性特点,使卷积核参数化为固定大小的矩阵,基于反向传播算法的更新在一定程度上阻碍学习到的卷积核在不同分辨率输入图像之间的传输,导致相关模型在捕获图像深层特征方面存在不足。逆卷积算子具有与卷积算子相反的特点,可弥补卷积算子的不足,将其引入CT图像肺结节分割任务,提出并设计正逆卷积混合算子,然后提出基于该算子的肺结节分割模型CIU-Net,实验证明正逆卷积混合算子的有效性。相比其他经典模型,CIU-Net具有更好的分割精度,在参数量及泛化性方面也具有优越性。

摘要：目的探讨利用时空图卷积神经网络在动态蛋白质网络中挖掘复合物的新方法。方法文中首先定义了边强度、节点强度和边存在概率等指标对动态蛋白质网络进行建模,然后结合图上的时间序列信息和结构信息,基于希尔伯特-黄变换、注意力机制和残差连接等技术设计了2种卷积算子来对网络中蛋白质的特征进行表示学习,构建得到动态蛋白质网络特征图。最后采用谱聚类来识别复合物。结果在多个公开生物数据集上的仿真实验结果表明,所提算法在DIP数据集和MIPS数据集上的F值都达到了90%以上,相比于DPCMNE、GE-CFI、VGAE和NOCD等4种识别算法而言,识别效率分别平均提高了约34.5%、28.7%、25.4%和17.6%。结论运用深度学习技术来处理动态蛋白质网络的性能表现良好,具有普适意义。