多层卷积神经网络深度学习算法可移植性分析

• 作者: 肖堃
• 来源期刊: 哈尔滨工程大学学报
• 学科: 工学
• 关键词: 多层卷积神经网络 深度学习算法 可移植性 分析 图像识别 拟合效果 delta法则 Fisher准则
• 年，卷（期）: 2020,（3）
• 页码范围: 420-424
• 页数: 5页
• 分类号: TP783
• 字数: 3544字
• 语种: 中文
• DOI: 10.11990/jheu.201810076

摘要

在现实环境下,出现恶意用户或攻击者对机器学习算法的攻击;在应用过程中,机器学习算法也会受到物体形状、位移、尺度、光照、背景等因素的影响.针对这些使用过程中所产生的安全性问题,本文提出了基于多层卷积神经网络深度学习算法的图像识别方法,并对其可移植性进行分析,通过对抗性训练提高模型泛化能力来防御对抗样例攻击.针对可用性攻击,在前向传播过程中,采用训练好的多层卷积神经网络深度学习模型自动提取输入图像特征,并利用模型权值共享、更新、下采样等操作对输入图像做降采样处理,降低计算复杂度;在反向传播过程中,利用delta法则和Fisher准则,以及基于类内距离和类间距离的能量约束函数实时调整多层卷积神经网络深度学习模型参数,计算模型输出层各个输出单元的残差,使模型权值能够更加快速收敛到有利于图像识别的最优值.测试结果表明:多层卷积神经网络深度学习算法在图像识别领域的应用具有识别准确率和鲁棒性较高,耗时较短的优点,从理论和实验2方面证明了算法的可移植性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	肖堃	电子科技大学计算机科学与工程学院	10	39	3.0	6.0