轻量级卷积神经网络架构在入侵检测上的应用

发布时间：2025-01-09 02:47

　　 针对当前卷积神经网络在入侵检测领域的效率低,误报率高等问题,提出一种新型的轻量级卷积神经网络.通过将SqueezeNet网络模型中Fire模块中的3×3卷积核替换成一组深度可分离的3×1与1×3的卷积核,并构建SpeedNet网络结构,替换模型卷积获得变形结构.实验结果表明,与传统的CNN网络架构相比,不降低精确度的情况下,提高了检测效率.

【文章页数】：7 页

【部分图文】：

图2 变形卷积核

图1标准卷积结构3.2深度可分离卷积

图9 Speed＿v2网络结构

图8Speed＿v1网络结构4实验与分析

图1 标准卷积结构

图1为标准的正方形卷积核，其大小为Df×Df.变形卷积是由标准正方形卷积核分解而来，用1×Df的卷积核和Df×1的卷积核代替Df×Df的卷积核，标准卷积核通过一种正方形卷积核完成一次卷积，变形卷积核将其分为两步进行卷积，可以降低原本卷积核的参数数量.本文采取的策略是：先用Df×1....

图3 深度可分离卷积核

深度可分离卷积是对标准卷积的一种分解，标准的卷积核在通道平面和通道间卷积是一步完成的，深度可分离卷积是通过拆解成两步达到降低参数的目的.例如：DK×DK大小的输入，卷积通道为M，输出通道为N，卷积核大小为Df×Df，传统卷积方式是用N个Df×Df的卷积核遍历M个通道，进而通过叠加....

本文编号：4025026