网站建设分析,微营销官网,c 网站开发入门视频教程,ps软件官方下载顾名思义#xff0c;深度残差收缩网络是由“残差网络”和“收缩”两部分所组成的#xff0c;是在“残差网络”基础上的一种改进算法。其中#xff0c;残差网络在2016年斩获了ImageNet图像识别竞赛的冠军#xff0c;目前已经成为了深度学习领域的基础网络#xff1b;收缩就…顾名思义深度残差收缩网络是由“残差网络”和“收缩”两部分所组成的是在“残差网络”基础上的一种改进算法。其中残差网络在2016年斩获了ImageNet图像识别竞赛的冠军目前已经成为了深度学习领域的基础网络收缩就是软阈值化是许多信号降噪方法的核心步骤。在深度残差收缩网络中软阈值化所需要的阈值本质上是在注意力机制下设置的。在本文中我们首先对残差网络、软阈值化和注意力机制的基础知识进行了简要的回顾然后对深度残差收缩网络的动机、算法和应用展开解读。转载的1. 基础回顾1.1 残差网络从本质上讲残差网络又称深度残差网络、深度残差学习是一种卷积神经网络。相较于普通的卷积神经网络残差网络采用了跨层恒等连接以减轻卷积神经网络的训练难度。残差网络的一种基本模块如图1所示。图1 残差网络的一种基本模块1.2 软阈值化软阈值化是许多信号降噪方法的核心步骤。它的用处是将绝对值低于某个阈值的特征置为零将其他的特征也朝着零进行调整也就是收缩。在这里阈值是一个需要预先设置的参数其取值大小对于降噪的结果有着直接的影响。软阈值化的输入与输出之间的关系如图2所示。图2 软阈值化从图2可以看出软阈值化是一种非线性变换有着与ReLU激活函数非常相似的性质梯度要么是0要么是1。因此软阈值化也能够作为神经网络的激活函数。事实上一些神经网络已经将软阈值化作为激活函数进行了使用。1.3 注意力机制注意力机制就是将注意力集中于局部关键信息的机制可以分为两步第一通过扫描全局信息发现局部有用信息第二增强有用信息并抑制冗余信息。Squeeze-and-Excitation Network是一种非常经典的注意力机制下的深度学习方法。它可以通过一个小型的子网络自动学习得到一组权重对特征图的各个通道进行加权。其含义在于某些特征通道是比较重要的而另一些特征通道是信息冗余的那么我们就可以通过这种方式增强有用特征通道、削弱冗余特征通道。Squeeze-and-Excitation Network的一种基本模块如下图所示。图3 Squeeze-and-Excitation Network的一种基本模块值得指出的是通过这种方式每个样本都可以有自己独特的一组权重可以根据样本自身的特点进行独特的特征通道加权调整。例如样本A的第一特征通道是重要的第二特征通道是不重要的而样本B的第一特征通道是不重要的第二特征通道是重要的通过这种方式样本A可以有自己的一组权重以加强第一特征通道削弱第二特征通道同样地样本B可以有自己的一组权重以削弱第一特征通道加强第二特征通道。2. 深度残差收缩网络理论2.1 动机首先现实世界中的数据或多或少都含有一些冗余信息。那么我们就可以尝试将软阈值化嵌入残差网络中以进行冗余信息的消除。其次各个样本中冗余信息含量经常是不同的。那么我们就可以借助注意力机制根据各个样本的情况自适应地给各个样本设置不同的阈值。2.2 算法与残差网络和Squeeze-and-Excitation Network相似深度残差收缩网络也是由许多基本模块堆叠而成的。每个基本模块都有一个子网络用于自动学习得到一组阈值用于特征图的软阈值化。值得指出的是通过这种方式每个样本都有着自己独特的一组阈值。深度残差收缩网络的一种基本模块如下图所示。图4 深度残差收缩网络的一种基本模块深度残差收缩网络的整体结构如下图所示是由输入层、许多基本模块以及最后的全连接输出层等组成的。图5 深度残差收缩网络的整体结构2.3 应用在论文中深度残差收缩网络是应用于基于振动信号的旋转机械故障诊断。但是从原理上来讲深度残差收缩网络面向的是数据集含有冗余信息的情况而冗余信息是无处不在的。例如在图像识别的时候图像中总会包含一些与标签无关的区域在语音识别的时候音频中经常会含有各种形式的噪声。因此深度残差收缩网络或者说这种“注意力机制”“软阈值化的思路有着较为广泛的研究价值和应用前景。参考文献M. Zhao, S, Zhong, X. Fu, et al. Deep residual shrinkage networks for fault diagnosis. IEEE Transactions on Industrial Informatics, 2019, DOI: 10.1109/TII.2019.2943898https://ieeexplore.ieee.org/document/8850096/ieeexplore.ieee.org源代码zhao62/Deep-Residual-Shrinkage-Networksgithub.com
