<?xml version="1.0" encoding="gb2312"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[软件学报 -->最新文章目次]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[轻量级神经网络架构综述]]></title>
<link><![CDATA[/simple_view_abstract.aspx?pcid=5B3AB970F71A803DEACDC0559115BFCF0A068CD97DD29835&cid=8240383F08CE46C8B05036380D75B607&jid=7735F413D429542E610B3D6AC0D5EC59&aid=BF94C5865CBA04678FA08DB6D5FAC857&yid=0D1D160AB8016934&vid=4AD960B5AD2D111A&iid=9CF7A0430CBB2DFD&referenced_num=0&reference_num=99]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[深度神经网络已经被证明可以有效的解决图像、自然语言等不同领域的问题.同时伴随着移动互联网技术的不断发展，便携式设备得到了迅速的普及，用户提出了越来越多的需求.因此，如何设计高效、高性能的轻量级神经网络是解决问题的关键.本文详细阐述了三种构建轻量级神经网络的方法，分别是人工设计轻量级神经网络、神经网络模型压缩算法和基于神经网络架构搜索的自动化神经网络架构设计，同时简要总结和分析了每种方法的特点，并重点介绍了典型的构建轻量级神经网络的算法.最后，总结现有的方法，并给出了未来发展的前景.]]></description>
<pubDate>2020/1/16 0:21:50</pubDate>
<category><![CDATA[目次]]></category>
<author><![CDATA[葛道辉,李洪升,张亮,刘如意,沈沛意,苗启广]]></author>
<atom:author xmlns:atom="http://www.w3.org/2005/Atom">
<atom:name>葛道辉,李洪升,张亮,刘如意,沈沛意,苗启广</atom:name>
</atom:author>
<guid><![CDATA[/simple_view_abstract.aspx?pcid=5B3AB970F71A803DEACDC0559115BFCF0A068CD97DD29835&cid=8240383F08CE46C8B05036380D75B607&jid=7735F413D429542E610B3D6AC0D5EC59&aid=BF94C5865CBA04678FA08DB6D5FAC857&yid=0D1D160AB8016934&vid=4AD960B5AD2D111A&iid=9CF7A0430CBB2DFD&referenced_num=0&reference_num=99]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[面向实时应用的深度学习研究综述]]></title>
<link><![CDATA[/simple_view_abstract.aspx?pcid=5B3AB970F71A803DEACDC0559115BFCF0A068CD97DD29835&cid=8240383F08CE46C8B05036380D75B607&jid=7735F413D429542E610B3D6AC0D5EC59&aid=BF94C5865CBA04673D41EAAACF91F455&yid=0D1D160AB8016934&vid=4AD960B5AD2D111A&iid=9CF7A0430CBB2DFD&referenced_num=0&reference_num=154]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[深度学习算法和GPU算力的不断进步正促进着人工智能技术在包括计算机视觉、语音识别、自然语言处理等领域得到广泛应用.与此同时，深度学习已经开始应用于以自动驾驶为代表的安全攸关领域.但是，近两年接连发生了几起严重的交通事故表明深度学习技术的成熟度还远未达到安全攸关应用的要求，因此对可信人工智能系统的研究已经成为了一个热点方向.本文对现有的面向实时应用的深度学习领域的研究工作进行了综述，首先介绍了深度学习技术应用于实时嵌入式系统所面临的关键设计问题，然后从深层神经网络的轻量化设计、GPU时间分析与任务调度、CPU+GPU SoC异构平台的资源管理、深层神经网络与网络加速器的协同设计等多个方面对现有的研究工作进行了分析和总结，最后展望了面向实时应用的深度学习领域进一步的研究方向.]]></description>
<pubDate>2020/1/16 0:21:50</pubDate>
<category><![CDATA[目次]]></category>
<author><![CDATA[张政馗,庞为光,谢文静,吕鸣松,王义]]></author>
<atom:author xmlns:atom="http://www.w3.org/2005/Atom">
<atom:name>张政馗,庞为光,谢文静,吕鸣松,王义</atom:name>
</atom:author>
<guid><![CDATA[/simple_view_abstract.aspx?pcid=5B3AB970F71A803DEACDC0559115BFCF0A068CD97DD29835&cid=8240383F08CE46C8B05036380D75B607&jid=7735F413D429542E610B3D6AC0D5EC59&aid=BF94C5865CBA04673D41EAAACF91F455&yid=0D1D160AB8016934&vid=4AD960B5AD2D111A&iid=9CF7A0430CBB2DFD&referenced_num=0&reference_num=154]]></guid><cfi:id>0</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>