深度卷积神经网络模型发展综述

被引：26

作者：

洪奇峰

施伟斌

吴迪

罗力源

机构：

[1] 上海理工大学光电信息与计算机工程学院

来源：

软件导刊 | 2020年 / 19卷 / 04期

关键词：

深度神经网络; 特征提取; 目标识别; 网络结构;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

随着移动互联网与硬件处理器技术的不断发展,海量数据处理与计算能力不断提高,深度学习备受关注。卷积神经网络是深度学习模型中最重要的一种结构,可用于目标特征提取。介绍了为提高卷积神经网络性能,不断增加卷积网络深度的模型,以及因此带来的新问题和解决方法。

引用

页码：84 / 88

页数：5

共 9 条

[1] 基于孪生卷积神经网络的人脸追踪 [J].

吴汉钊 .

计算机工程与应用, 2018, 54 (14) :175-179

[2] 深度文本匹配综述 [J].

庞亮 ;

兰艳艳 ;

徐君 ;

郭嘉丰 ;

万圣贤 ;

程学旗 .

计算机学报, 2017, 40 (04) :985-1003

[3] 基于BP神经网络中药复方功效的预测研究 [J].

李味味 ;

章新友 ;

仵倚 ;

周小玲 .

中医药导报, 2016, 22 (16) :38-41

[4] 基于CNN和随机弹性形变的相似手写汉字识别 [J].

高学 ;

王有旺 .

华南理工大学学报(自然科学版), 2014, 42 (01) :72-76+83

[5]

TensorFlow实战[M]. 电子工业出版社 , 黄文坚, 2017

[6] Distinctive image features from scale-invariant keypoints [J].

Lowe, DG .

INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 60 (02) :91-110

[7] Gradient-based learning applied to document recognition [J].

Lecun, Y ;

Bottou, L ;

Bengio, Y ;

Haffner, P .

PROCEEDINGS OF THE IEEE, 1998, 86 (11) :2278-2324

[8] Long short-term memory [J].

Hochreiter, S ;

Schmidhuber, J .

NEURAL COMPUTATION, 1997, 9 (08) :1735-1780

[9]

Batch normalization:Accelerating deep network training by reducing internal covariate shift .2 Ioffe S,Szegedy C. 32nd International Conference on Machine Learning(ICML 2015) . 2015

← 1 →