本文關(guān)鍵詞：一種多尺度嵌套卷積神經(jīng)網(wǎng)絡(luò)模型

  更多相關(guān)文章： 卷積神經(jīng)網(wǎng)絡(luò) 尺度不變 Maxout 深度學(xué)習(xí)

【摘要】：卷積神經(jīng)網(wǎng)絡(luò)模型要求訓(xùn)練圖像與測(cè)試圖像在空間尺度上一致.為弱化這一限制,對(duì)卷積層特征提取器進(jìn)行多尺度改進(jìn),提出了一種尺度不變卷積神經(jīng)網(wǎng)絡(luò)模型,以自動(dòng)適應(yīng)輸入圖像在平面空間上的尺度變化.同時(shí),將多層Maxout網(wǎng)絡(luò)嵌入新模型中,以進(jìn)一步提高特征提取能力,提高圖像識(shí)別與分類的準(zhǔn)確性.實(shí)驗(yàn)測(cè)試結(jié)果表明,該模型提高了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型的尺度不變性和分類精度.
【作者單位】： 北京郵電大學(xué)信息與通信工程學(xué)院;北京郵電大學(xué)可信分布式計(jì)算與服務(wù)教育部重點(diǎn)實(shí)驗(yàn)室;
【關(guān)鍵詞】： 卷積神經(jīng)網(wǎng)絡(luò) 尺度不變 Maxout 深度學(xué)習(xí)
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(61143008,61471066) 國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)項(xiàng)目(2011AA01A204)
【分類號(hào)】：TP391.41;TP183
【正文快照】： 近年來(lái),以卷積神經(jīng)網(wǎng)絡(luò)(CNN,convolutionalneural network)模型為代表的深度學(xué)習(xí)算法和模型在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了引人注目的進(jìn)展.對(duì)于傳統(tǒng)CNN模型,其在同一個(gè)卷積層中所使用的所有卷積核都具有相同的空間尺度.如果使用某一尺度的訓(xùn)練集來(lái)訓(xùn)練這個(gè)模型,得到的特征提取器將僅

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 黃秉憲;;隨意運(yùn)動(dòng)控制與學(xué)習(xí)的多級(jí)神經(jīng)網(wǎng)絡(luò)模型[J];國(guó)外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊(cè);1988年02期

2 周常河,劉立人,王文江;高階神經(jīng)網(wǎng)絡(luò)模型的一種光學(xué)實(shí)現(xiàn)結(jié)構(gòu)[J];量子電子學(xué);1992年01期

3 潘中良,陳光，

本文編號(hào)：612367