基于全采样和L1范数降采样的卷积神经网络图像分类方法

被引：9

作者：

宋婷婷

徐世许

机构：

[1] 青岛大学自动化与电气工程学院

来源：

软件 | 2018年 / 39卷 / 02期

关键词：

卷积神经网络; 图像分类; 降采样;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; TP391.41 [];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 080203 ;

摘要：

本文针对卷积神经网络中最大池化会丢失对图像分类"有用"信息的问题,提出全采样方法和基于L1范数的降采样方法。全采样方法利用所有输入,基于L1范数的降采样方法把输入划分为不重叠的2×2的部分,从每个2×2的部分中选择L1范数最大的k(k=1,2,3)个1×1的部分实现降采样。为验证所提方法有效性,在CIFAR-10数据集和MNIST数据集上进行实验,结果表明,相比最大池化,所提方法可以在参数量不增加的基础上提高图像分类准确率。

引用

页码：75 / 80

页数：6

共 13 条

[1]

Rectified linear units improve restricted boltzmann machines. Nair V,Hinton G E. Proceedings of the 27th International Conference on Machine Learning (ICML-10). . 2010

[2] 基于BP神经网络的人脸识别系统 [J].

安大海 ;

蒋砚军 .

软件, 2015, 36 (12) :76-79

[3] 基于BP神经网络和SVM的分类方法研究 [J].

王宏涛 ;

孙剑伟 .

软件, 2015, 36 (11) :96-99

[4] 基于2DPCA和LDA的人脸图像预处理与RBF神经网络的人脸图像识别研究 [J].

杨燕 ;

刘刚 ;

张龙 .

软件, 2014, 35 (02) :115-118

[5]

面向机器智能的TensorFlow实践[M]. 机械工业出版社 , 山姆·亚伯拉罕, 2017

[6]

Python与机器学习实战[M]. 电子工业出版社 , 何宇健, 2017

[7]

Batch normalization:accelerating deep network training by reducing internal covariate shift. IOFFE S,SZEGEDY C. Learning . 2015

[8]

Imagenet classification with deep conv olutional neural networks. Krizhevsky A,Sutskever I,Hinton G.E. Advances in Neural Information Processing Systems . 2012

[9]

Understanding the difficulty of training deep feedforward neural networks. Glorot, Xavier,Bengio, Yoshua. Journal of Machine Learning Research;Proceedings of the 13th International Conference on Artificial Intelligence and Statistics, AISTATS 2010 . 2010

[10]

Going deeper with convolutions. Szegedy C,Liu W,Jia Y,et al. Computer Vision and Pattern Recognition . 2015

← 1 2 →