本文選題：圖像分類 + 深度學(xué)習(xí)��； 參考：《系統(tǒng)工程與電子技術(shù)》2017年06期

【摘要】：為解決深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)難以訓(xùn)練的問(wèn)題,提出一種快速、高效的雙通道神經(jīng)網(wǎng)絡(luò)(dual-channel neural networks,DCNN),該神經(jīng)網(wǎng)絡(luò)由直通通道和卷積通道兩種通道構(gòu)成,直通通道負(fù)責(zé)保障深度網(wǎng)絡(luò)的暢通性,卷積通道負(fù)責(zé)深度網(wǎng)絡(luò)的學(xué)習(xí)。考慮到深層網(wǎng)絡(luò)在訓(xùn)練時(shí)容易出現(xiàn)性能不穩(wěn)定的問(wèn)題,在卷積通道上引入卷積衰減因子,對(duì)其響應(yīng)數(shù)據(jù)進(jìn)行約束。設(shè)計(jì)一種"雙池化層"對(duì)同一特征圖進(jìn)行降采樣,不僅可以防止訓(xùn)練過(guò)擬合,還能保證各通道的維度一致性。在3個(gè)圖像數(shù)據(jù)集CIFAR-10、CIFAR-100和MNIST上的實(shí)驗(yàn)結(jié)果表明,無(wú)論是神經(jīng)網(wǎng)絡(luò)的可訓(xùn)練深度、穩(wěn)定性和分類精度,DCNN都明顯優(yōu)于現(xiàn)有的深度卷積神經(jīng)網(wǎng)絡(luò)。
[Abstract]:In order to solve the problem that convolutional neural networks are difficult to train, a fast and efficient dual-channel neural network is proposed. The neural network consists of two channels: through channel and convolutional channel. The pass-through channel is responsible for ensuring the smooth flow of the deep network, and the convolution channel is responsible for the learning of the deep network. Considering that the deep network is prone to unstable performance during training, the convolution attenuation factor is introduced into the convolution channel to constrain the response data. A kind of "double cell layer" is designed to decimate the same feature map, which can not only prevent the training from over-fitting, but also ensure the consistency of each channel dimension. The experimental results on three image data sets CIFAR-10 CIFAR-100 and MNIST show that DCNNs are superior to the existing deep convolution neural networks in terms of training depth, stability and classification accuracy.
【作者單位】： 中國(guó)民航大學(xué)天津市智能信號(hào)與圖像處理重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)青年基金(11402294) 天津市智能信號(hào)與圖像處理重點(diǎn)實(shí)驗(yàn)室開放基金項(xiàng)目(2015AFS03) 中國(guó)民航大學(xué)第六期波音基金(20160159209)資助課題
【分類號(hào)】：TP183;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高永建 ,吳健康;神經(jīng)網(wǎng)絡(luò)及其識(shí)別應(yīng)用簡(jiǎn)介[J];電信科學(xué);1990年02期

2 謝國(guó)梁;;神經(jīng)網(wǎng)絡(luò):從希望到現(xiàn)實(shí)[J];激光與光電子學(xué)進(jìn)展;1991年01期

3 鄭士貴;文獻(xiàn)自動(dòng)閱讀神經(jīng)網(wǎng)絡(luò)[J];管理科學(xué)文摘;1996年08期

4 呂芬;趙生妹;;基于Hopfield神經(jīng)網(wǎng)絡(luò)的噪聲字母識(shí)別[J];計(jì)算機(jī)與信息技術(shù);2005年12期

5 李毅;童紅俊;宋貴寶;李冬;;神經(jīng)網(wǎng)絡(luò)在飛行器航跡仿真計(jì)算中的應(yīng)用[J];海軍航空工程學(xué)院學(xué)報(bào);2006年05期

6 林鋼;;基于SOM神經(jīng)網(wǎng)絡(luò)對(duì)潛在客戶的挖掘[J];南寧職業(yè)技術(shù)學(xué)院學(xué)報(bào);2006年04期

7 楊帆;陳勁杰;唐梅華;陳鑫;;簡(jiǎn)論神經(jīng)網(wǎng)絡(luò)在搜索中的應(yīng)用[J];機(jī)械管理開發(fā);2008年01期

8 朱紅斌;;LVQ神經(jīng)網(wǎng)絡(luò)在交通事件檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2008年34期

9 李彤巖;李興明;;神經(jīng)網(wǎng)絡(luò)在確定關(guān)聯(lián)規(guī)則挖掘算法權(quán)值中的應(yīng)用研究[J];計(jì)算機(jī)應(yīng)用研究;2008年05期

10 石文淵;彭軍民;;基于神經(jīng)網(wǎng)絡(luò)的貨幣識(shí)別研究[J];西安理工大學(xué)學(xué)報(bào);2008年02期

相關(guān)會(huì)議論文 前10條

1 陳文新;王長(zhǎng)富;戴蓓倩;;基于神經(jīng)網(wǎng)絡(luò)的漢語(yǔ)四聲識(shí)別[A];第一屆全國(guó)語(yǔ)言識(shí)別學(xué)術(shù)報(bào)告與展示會(huì)論文集[C];1990年

2 李睿;李明軍;;一種模糊高斯基神經(jīng)網(wǎng)絡(luò)在數(shù)值逼近上的仿真[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展——全國(guó)第17屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2006年

3 許旭萍;臧道青;;采用Hopfield神經(jīng)網(wǎng)絡(luò)實(shí)施缸蓋表面點(diǎn)陣字符識(shí)別[A];第十五屆全國(guó)汽車檢測(cè)技術(shù)年會(huì)論文集[C];2011年

4 朱長(zhǎng)春;;神經(jīng)網(wǎng)絡(luò)用于線性時(shí)固有系統(tǒng)的廣義狀態(tài)轉(zhuǎn)移矩陣的識(shí)別[A];中國(guó)工程物理研究院科技年報(bào)（1999）[C];1999年

5 王玉斌;李永明;王穎;;用數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)工程造價(jià)[A];第十一屆全國(guó)電工數(shù)學(xué)學(xué)術(shù)年會(huì)論文集[C];2007年

6 應(yīng)捷;袁一方;;神經(jīng)網(wǎng)絡(luò)指紋特征點(diǎn)匹配算法的改進(jìn)[A];2007'中國(guó)儀器儀表與測(cè)控技術(shù)交流大會(huì)論文集（二）[C];2007年

7 謝小良;符卓;;基于Hopfield神經(jīng)網(wǎng)絡(luò)的單周期船舶調(diào)度模型及算法[A];2008年全國(guó)開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(下冊(cè))[C];2008年

8 陳意;;神經(jīng)網(wǎng)絡(luò)在船舶識(shí)別一個(gè)應(yīng)用[A];船舶航泊安全的新經(jīng)驗(yàn)新技術(shù)論文集（上冊(cè)）[C];2007年

9 王輝;楊杰;黎明;蔡念;;一種基于神經(jīng)網(wǎng)絡(luò)的圖像復(fù)原方法[A];2006年全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)議文集（D 光電信息處理技術(shù)專題）[C];2006年

10 賈睿;徐啟強(qiáng);劉艷;;基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)殼結(jié)構(gòu)近似分析研究[A];第二十一屆全國(guó)振動(dòng)與噪聲高技術(shù)及應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)重要報(bào)紙文章 前1條

1 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

相關(guān)博士學(xué)位論文 前10條

1 李曉剛;基于神經(jīng)網(wǎng)絡(luò)的碼垛機(jī)器人視覺(jué)位姿測(cè)量及伺服控制研究[D];北京林業(yè)大學(xué);2015年

2 戶保田;基于深度神經(jīng)網(wǎng)絡(luò)的文本表示及其應(yīng)用[D];哈爾濱工業(yè)大學(xué);2016年

3 諸勇;正交回歸神經(jīng)網(wǎng)絡(luò)及其在控制系統(tǒng)中的應(yīng)用[D];浙江大學(xué);1998年

4 田景文;地下油藏的仿真與預(yù)測(cè)[D];哈爾濱工程大學(xué);2001年

5 彭宏京;基于稀疏RAM的神經(jīng)網(wǎng)絡(luò)及其人臉識(shí)別應(yīng)用研究[D];南京航空航天大學(xué);2002年

6 王吉權(quán);BP神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機(jī)械化中的應(yīng)用研究[D];沈陽(yáng)農(nóng)業(yè)大學(xué);2011年

7 郭海湘;石油儲(chǔ)層縱向預(yù)測(cè)軟硬計(jì)算融合的理論與方法研究[D];中國(guó)地質(zhì)大學(xué);2008年

8 葛利;基于過(guò)程神經(jīng)網(wǎng)絡(luò)的時(shí)序數(shù)據(jù)挖掘研究[D];哈爾濱工程大學(xué);2012年

9 柴冰華;色貌模型CIECAM02若干問(wèn)題的研究[D];北京理工大學(xué);2006年

10 唐云嵐;集成神經(jīng)網(wǎng)絡(luò)和多目標(biāo)進(jìn)化算法的卷煙產(chǎn)品參數(shù)優(yōu)化設(shè)計(jì)方法及應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

2 蔡邦宇;人臉識(shí)別中單次ERP時(shí)空特征分析及其快速檢索的應(yīng)用[D];浙江大學(xué);2015年

3 鄭川;垃圾評(píng)論檢測(cè)算法的研究[D];西南交通大學(xué);2015年

4 汪濟(jì)民;基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)和性別識(shí)別研究[D];南京理工大學(xué);2015年

5 彭玲玲;基于不確定理論與機(jī)器學(xué)習(xí)的行人檢測(cè)[D];長(zhǎng)安大學(xué);2015年

6 楊陳東;BP-Fisher判別分析法[D];長(zhǎng)安大學(xué);2015年

7 孟鑫;基于Hadoop云平臺(tái)下的客流量預(yù)測(cè)研究[D];長(zhǎng)安大學(xué);2015年

8 張勇;深度卷積神經(jīng)網(wǎng)絡(luò)在車牌和人臉檢測(cè)領(lǐng)域的應(yīng)用研究[D];鄭州大學(xué);2015年

9 宋璐璐;財(cái)經(jīng)職業(yè)技術(shù)學(xué)院票務(wù)管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];西安工業(yè)大學(xué);2015年

10 陳銳浩;基于神經(jīng)網(wǎng)絡(luò)的口令屬性分析工具開發(fā)[D];上海交通大學(xué);2015年

，

本文編號(hào)：1906491