卷积神经网络的研究进展综述

被引：33

作者：

杨斌

钟金英

机构：

[1] 南华大学电气工程学院

来源：

南华大学学报(自然科学版) | 2016年 / 30卷 / 03期

关键词：

深度学习; 卷积神经网络; 特征提取; 智能识别;

D O I：

10.19431/j.cnki.1673-0062.2016.03.015

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

摘要：

深度学习(deep learning,DL)强大的建模和表征能力很好地解决了特征表达能力不足和维数灾难等模式识别方向的关键问题,受到各国学者的广泛关注.而仿生物视觉系统的卷积神经网络(convolutional neural network,CNN)是DL中最先成功的案例,其局部感受野、权值共享和降采样三个特点使之成为智能机器视觉领域的研究热点.对此,本文综述CNN最新研究成果,介绍其发展历程、最新理论模型及其在语音、图像和视频中的应用,并对CNN未来的发展潜力和发展方向进行了展望和总结.

引用

页码：66 / 72

页数：7

共 7 条

[1] 时空域深度卷积神经网络及其在行为识别上的应用 [J].

刘琮 ;

许维胜 ;

吴启迪 .

计算机科学, 2015, 42 (07) :245-249

[2] 基于改进Fisher准则的深度卷积神经网络识别算法 [J].

孙艳丰 ;

齐光磊 ;

胡永利 ;

赵璐 .

北京工业大学学报, 2015, 41 (06) :835-841

[3] 基于级联卷积网络的自然场景下的车牌检测 [J].

闫鹏 ;

牛常勇 ;

范明 .

计算机工程与设计, 2014, 35 (12) :4296-4301

[4] Convolutional Neural Networks for Speech Recognition [J].

Abdel-Hamid, Ossama ;

Mohamed, Abdel-Rahman ;

Jiang, Hui ;

Deng, Li ;

Penn, Gerald ;

Yu, Dong .

IEEE-ACM TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING, 2014, 22 (10) :1533-1545

[5] A fast learning algorithm for deep belief nets [J].

Hinton, Geoffrey E. ;

Osindero, Simon ;

Teh, Yee-Whye .

NEURAL COMPUTATION, 2006, 18 (07) :1527-1554

[6]

Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation .2 Girshick R,Donahue J,Darrell T,et al. Computer Vision and Pattern Recognition . 2014

[7]

Applying convolutional neuralnetworks concepts to hybrid NN-HMM model for speech recognition .2 Abdel-Hamid O,Mohamed A.-r,Jiang H. et al. InternationalConference on Acoustics, Speech and Signal Processing (ICASSP) . 2012

← 1 →