计算机应用研究

作者：柴智,丁春涛,郭慧,张俊娜,

单位：1.河南师范大学计算机与信息工程学院,河南新乡453007；2.北京师范大学人工智能学院,北京100875；

关键词：卷积神经网络,云辅助训练,少参数模型,鲁棒性,

基金：国家自然科学基金资助项目(62472147,62202039)；；

使用云辅助训练少参数的卷积神经网络（CNN）可以使其部署在资源受限的物联网设备上，然而现有少参数模型存在对复杂数据特征的提取能力不足、鲁棒性差的问题。为此提出了一种适应复杂数据且鲁棒性强的CNN设计方法，组合非线性变换卷积核生成方法（combined non-linearity convolution kernel generation，CN2Conv）。首先，从 CNN模型的卷积层中随机选取部分卷积核作为种子卷积核，并使用多个生成函数对种子卷积核进行非线性变换，得到多样化的生成卷积核；然后，对不同生成函数使用不同的超参数以控制模型的正则化效果，提高模型鲁棒性；最后，对生成卷积核生成的特征图进行通道混洗和卷积降维操作，同时利用组归一化技术提高特征的分布一致性，增强对复杂数据的特征捕获能力。为了验证CN2Conv的有效性，在CIFAR-10、CIFAR-100、CIFAR-10-C和Icons-50数据集上进行了实验。在CIFAR-10-C数据集上，采用CN2Conv的ResNet34的准确率比标准ResNet34提高8.22%，比MonoCNN提高11.86%。结果表明，基于CN2Conv的CNN模型在多个数据集上的准确率优于对比方法，且鲁棒性显著提升。

来源：2025年第7期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第7期