針對三維卷積神經(jīng)網(wǎng)絡(luò)（3D-CNN）計算成本過大,訓(xùn)練、測試時間較長的問題,該文提出了一種分解式三維卷積神經(jīng)網(wǎng)絡(luò)（Dec-3D-CNN）。通過將一步三維卷積運算拆分成三步更簡單的卷積運算來降低計算成本,并且結(jié)合批量標(biāo)準(zhǔn)化（BN）的方法共同設(shè)計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在加速網(wǎng)絡(luò)訓(xùn)練的同時減少梯度彌散的情況。通過Pavia University數(shù)據(jù)集進(jìn)行分類實驗,Dec-3D-CNN在總體分類精度達(dá)到95.93%的情況下,訓(xùn)練時間僅為3D-CNN的16%,測試時間僅為3D-CNN的46%。實驗結(jié)果表明,Dec-3D-CNN在保持高精度的情況下,能夠大幅度的節(jié)省訓(xùn)練時間,降低計算成本。 

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 方法與原理
    1.1 卷積神經(jīng)網(wǎng)絡(luò)
        1)參數(shù)共享。
        2)能夠局部感知。
        3)多核性。
    1.2 分解式三維卷積
    1.3 BN原理
    1.4 本文網(wǎng)絡(luò)設(shè)計方法
2 實驗與分析
    2.1 實驗數(shù)據(jù)
    2.2 訓(xùn)練過程
    2.3 分解式三維卷積與三維卷積的對比
    2.4 分解式三維卷積與多種分類方法精度對比
3 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在高分遙感影像分類中的應(yīng)用[J]. 曹林林,李海濤,韓顏順,余凡,顧海燕.  測繪科學(xué). 2016(09)
[2]基于紋理特征和形態(tài)學(xué)特征融合的高光譜影像分類法[J]. 王增茂,杜博,張良培,張樂飛.  光子學(xué)報. 2014(08)
[3]基于MFA與kNNS算法的高光譜遙感影像分類[J]. 王立志,黃鴻,馮海亮.  計算機科學(xué). 2012(06)



本文編號：3659607