.png){kind=icon}
返回
Brain-inspired memristive pooling method for enhanced edge computing
.png){kind=icon}
PRE
AI
DOI：10.1088/1674-1056/adfefb.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于卷积神经网络(CNNs)的边缘部署解决方案因其潜在应用而引起了广泛关注。然而，传统CNNs依赖池化来减小特征尺寸，导致显著的信息损失和网络鲁棒性降低。在此，我们提出了一种基于忆阻器技术的更鲁棒的自适应池化网络(APN)方法。我们的方法引入了一种改进的池化层，能够在不损害其重要性的前提下将输入特征缩减至任意尺度。池化层不同的耦合系数被存储为数组的电导值。我们在通用数据集上验证了所提出的APN，表明其性能较先前报道的CNN架构有显著提升。此外，我们在带有扰动的CAPTCHA识别任务上评估了APN，以评估网络鲁棒性。结果表明，APN在4位CAPTCHA识别中达到92.6%的准确率，并表现出更高的鲁棒性。本文提出了一种基于忆阻器技术的边缘计算的高鲁棒性且新颖的方案。
Keyword:
memristor
edge computing
adaptive pooling
image classification
期刊
C
IF:
1.5
论文数:
519
被引数:
0
机构
引用论文
A 1.8 V high-speed 8-bit hybrid DAC with integrated rail-to-rail buffer amplifier in CMOS 180 nm一款1.8 V高速8位混合DAC，集成了轨到轨缓冲放大器，采用CMOS 180 nm工艺。
PREAI
分享收藏A Novel Memristive Neural Network Circuit and Its Application in Character Recognition一种新型忆阻神经网络电路及其在字符识别中的应用
OAAI
OAAI分享收藏
Three-dimensional memristor circuits as complex neural networks作为复杂神经网络的三维忆阻器电路.png)
NATURE ELECTRONICS
NATURE ELECTRONICSIF40.9
PREAI
分享收藏分享收藏
查看更多内容