多尺度残差网络模型的研究及其应用

被引：16

作者：

王飞 ^{[1
]}

张莹 ^{[1
,2
]}

卲豪 ^{[1
]}

张东波 ^{[1
,2
]}

牟清萍 ^{[1
]}

机构：

[1] 湘潭大学信息工程学院

[2] 机器人视觉感知与控制技术国家工程实验室

来源：

电子测量与仪器学报 | 2019年 / 33卷 / 04期

基金：

湖南省自然科学基金;

关键词：

多尺度残差网络; 卷积神经网络; 跨通道卷积; 核分解;

D O I：

10.13382/j.jemi.B1801688

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对传统的卷积神经网络不能充分利用图像的多尺度信息,以及网络层数的增加导致优化参数增加的问题。提出多尺度残差网络模型通过多尺度跨通道的卷积融合提高图像的特征表征能力;然后把大的卷积核分解成小的非对称卷积核降低网络的参数计算;接着利用残差网络原理来降低深层网络的梯度消失问题;最后将提出的多尺度卷积模块嵌入到Lenet网络中。在Mnist数据集上的测试结果证明分类准确率比原始Lenet网络提高了0. 24%,在LFW数据集上的测试结果表明分类准确率优于Deep Face、Web Face等传统算法。

引用

页码：19 / 28

页数：10

共 11 条

[1] 基于捷径的卷积神经网络在人脸识别中的应用研究 [J].

王飞 ;

张莹 ;

张东波 ;

邵豪 ;

成超鹏 .

电子测量与仪器学报, 2018, 32 (04) :80-86

[2] 基于多尺度深度学习的商品图像检索 [J].

周晔 ;

张军平 .

计算机研究与发展, 2017, (08) :1824-1832

[3] 深度卷积神经网络的数据表示方法分析与实践 [J].

王佩琪 ;

高原 ;

刘振宇 ;

王海霞 ;

汪东升 .

计算机研究与发展, 2017, 54 (06) :1348-1356

[4]

基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋.自动化学报. 2016(10)

[5] 一种基于CLMF的深度卷积神经网络模型 [J].

随婷婷 ;

王晓峰 .

自动化学报, 2016, 42 (06) :875-882

[6] 融合整体与局部特征的低秩松弛协作表示 [J].

张盼 ;

练秋生 .

计算机研究与发展, 2014, (12) :2663-2670

[7] 融合显著信息的层次特征学习图像分类 [J].

祝军 ;

赵杰煜 ;

董振宇 .

计算机研究与发展, 2014, 51 (09) :1919-1928

[8]

Singular value decomposition and local near neighbors for face recognition under varying illumination[J] . Changhui Hu,Xiaobo Lu,Mengjun Ye,Weili Zeng.Pattern Recognition . 2017

[9]

VIPLFaceNet: an open source deep face recognition SDK[J] . Xin Liu,Meina Kan,Wanglong Wu,Shiguang Shan,Xilin Chen.Frontiers of Computer Science . 2017 (2)

[10]

A discriminative feature learning approach for deep face recognition .2 Wen Y,Zhang K,Li Z.et al. European Conference on Computer Vision . 2016

← 1 2 →