针对深度学习模型所需的海量参数及强大的计算资源而导致其不能很便捷地应用于嵌入式设备或移动端的问题,在Lasso(Least Absolute Shrinkage and Selection Operator)回归通道挑选法的基础上,提出了Lasso+奇异值分解(Singular Value Dec...针对深度学习模型所需的海量参数及强大的计算资源而导致其不能很便捷地应用于嵌入式设备或移动端的问题,在Lasso(Least Absolute Shrinkage and Selection Operator)回归通道挑选法的基础上,提出了Lasso+奇异值分解(Singular Value Decomposition,SVD)的融合压缩法。使用VGG-16为初始模型,分别在不同的小型数据集上进行迁移学习,使用迁移学习后的模型在不同的加速率下进行测试。实验结果表明,相对于传统的模型压缩算法,Lasso+SVD的融合压缩法实现了在加速和参数压缩两方面的优势,进而以目标检测为应用方向,在保证准确率的同时不仅降低了模型存储需求,而且也较大提升了模型的实时性。展开更多
随着互联网技术的高速发展,人们与数字音乐的关系更加紧密,人们会依据自己的偏好以及场所选择音乐,因此如何有效管理数量庞大的音乐并对其分门别类显得尤为重要。为提高音乐分类的准确率,本文从音频中提取特征向量,运用遗传算法优化支...随着互联网技术的高速发展,人们与数字音乐的关系更加紧密,人们会依据自己的偏好以及场所选择音乐,因此如何有效管理数量庞大的音乐并对其分门别类显得尤为重要。为提高音乐分类的准确率,本文从音频中提取特征向量,运用遗传算法优化支持向量机实现音乐流派分类;从歌词中提取特征关键词,采用L A S SO降维实现文本情感分类,最终构建双模态音乐分类模型。结果表明,该分类方法准确率为73.1%,可靠性与稳定性良好,有效地避免了传统方法产生局部最优的问题。展开更多
文摘针对深度学习模型所需的海量参数及强大的计算资源而导致其不能很便捷地应用于嵌入式设备或移动端的问题,在Lasso(Least Absolute Shrinkage and Selection Operator)回归通道挑选法的基础上,提出了Lasso+奇异值分解(Singular Value Decomposition,SVD)的融合压缩法。使用VGG-16为初始模型,分别在不同的小型数据集上进行迁移学习,使用迁移学习后的模型在不同的加速率下进行测试。实验结果表明,相对于传统的模型压缩算法,Lasso+SVD的融合压缩法实现了在加速和参数压缩两方面的优势,进而以目标检测为应用方向,在保证准确率的同时不仅降低了模型存储需求,而且也较大提升了模型的实时性。
文摘随着互联网技术的高速发展,人们与数字音乐的关系更加紧密,人们会依据自己的偏好以及场所选择音乐,因此如何有效管理数量庞大的音乐并对其分门别类显得尤为重要。为提高音乐分类的准确率,本文从音频中提取特征向量,运用遗传算法优化支持向量机实现音乐流派分类;从歌词中提取特征关键词,采用L A S SO降维实现文本情感分类,最终构建双模态音乐分类模型。结果表明,该分类方法准确率为73.1%,可靠性与稳定性良好,有效地避免了传统方法产生局部最优的问题。
