卷积神经网络池化方法研究

被引：14

作者：

周林勇 ^{[1
,2
]}

谢晓尧 ^{[1
]}

刘志杰 ^{[1
]}

任笔墨 ^{[2
]}

机构：

[1] 贵州师范大学贵州省信息与计算科学重点实验室

[2] 贵州财经大学数学与统计学院

来源：

计算机工程 | 2019年 / 45卷 / 04期

关键词：

卷积神经网络; 深度学习; 池化方法; 多项分布; 图像分类;

D O I：

10.19678/j.issn.1000-3428.0050129

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

080203 ;

摘要：

为解决随机池化中零元素概率为0导致不能被选择的问题,提出一种改进的混合概率随机池化方法。将池化域中的元素去重复并按升序排序,然后加上对应次序的幂次,得到元素的权重概率。在此基础上,根据多项分布取样给出池化值。在数据集MNIST、CIFAR-10、CIFAR-100上进行实验,结果表明,该方法在3种数据集上的分类准确率分别为99.50%、72.25%、39.05%,相较于传统池化方法具有较好的分类效果与稳健性。

引用

页码：211 / 216

页数：6

共 6 条

[1] 基于融合卷积神经网络模型的手写数字识别
陈玄
朱荣
王中元
[J]. 计算机工程, 2017, 43 (11) : 187 - 192
[2] 基于矩阵2-范数池化的卷积神经网络图像识别算法
余萍
赵继生
[J]. 图学学报, 2016, 37 (05) : 694 - 701
[3] 深度学习研究综述
孙志军
薛磊
许阳明
王正
[J]. 计算机应用研究, 2012, 29 (08) : 2806 - 2810
[4] 数字图像处理系统工程导论[M]. 西安电子科技大学出版社 , 郭宝龙, 2012
[5] A fast learning algorithm for deep belief nets
Hinton, Geoffrey E.
Osindero, Simon
Teh, Yee-Whye
[J]. NEURAL COMPUTATION, 2006, 18 (07) : 1527 - 1554
[6] Visualizing and understanding convolutional networks .2 ZEILER M,FERGUS R. Proceedings of the 13th European Conference on Computer Vision . 2014

← 1 →