針對(duì)三維卷積神經(jīng)網(wǎng)絡(luò)（3D-CNN）計(jì)算成本過大,訓(xùn)練、測(cè)試時(shí)間較長(zhǎng)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(yùn)算拆分成三步更簡(jiǎn)單的卷積運(yùn)算來降低計(jì)算成本,并且結(jié)合批量標(biāo)準(zhǔn)化（BN）的方法共同設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在加速網(wǎng)絡(luò)訓(xùn)練的同時(shí)減少梯度彌散的情況。通過Pavia University數(shù)據(jù)集進(jìn)行分類實(shí)驗(yàn),Dec-3D-CNN在總體分類精度達(dá)到95.93%的情況下,訓(xùn)練時(shí)間僅為3D-CNN的16%,測(cè)試時(shí)間僅為3D-CNN的46%。實(shí)驗(yàn)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(shí)間,降低計(jì)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(jì)方法
2 實(shí)驗(yàn)與分析
    2.1 實(shí)驗(yàn)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(duì)比
    2.4 分解式三維卷積與多種分類方法精度對(duì)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(cè)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(bào). 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(jì)算機(jī)科學(xué). 2012(06)



本文編號(hào)：3659607