基于多级金字塔卷积神经网络的快速特征表示方法

• 作者: 徐军 王冠皓
• 来源期刊: 计算机应用研究
• 关键词: 深度学习 多级金字塔卷积神经网络 特征表示 特征共享
• 年，卷（期）: 2015,（8）
• 所属期刊栏目: 图形图像技术
• 页码范围: 2492-2495
• 页数: 4页
• 分类号: TP183
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2015.08.061

摘要

由于在大尺度图像中卷积滤波的过程速度过慢,导致卷积神经网络(convolutional neural network,CNN)参数调节困难、训练时间过长.针对这一问题,通过对传统卷积神经网络(traditional convolution neural network,TCNN)的改进,提出一种快速有效的多级金字塔卷积神经网络(multi-level pyramid CNN,MLPCNN).这一网络使用权值共享的方法将低级的滤波权值共享到高级,保证CNN的训练只在较小尺寸的图像块上进行,加快了训练速度.实验表明,在特征维数比较低的情况下,MLPCNN提取到的特征比传统的特征提取方法更加有效,在Caltech101数据库上,MLPCNN识别率达到81.32％,而且训练速度较TCNN提高了约2.5倍.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐军	南京信息工程大学信息与控制学院	21	107	7.0	9.0
2	王冠皓	南京信息工程大学信息与控制学院	4	36	2.0	4.0