自适应深度卷积神经网络模型构建方法

• 作者: 傅桂霞 王科俊 申晋 邹国锋 高明亮
• 来源期刊: 北京邮电大学学报
• 学科: 工学
• 关键词: 深度卷积神经网络 自适应模型构建 深度学习 图像识别
• 年，卷（期）: 2017,（4）
• 所属期刊栏目: 研究报告
• 页码范围: 98-103
• 页数: 6页
• 分类号: TP391.41
• 语种: 中文
• DOI: 10.13190/j.jbupt.2017.04.016

摘要

针对传统卷积神经网络(CNN)模型构建过度依赖经验知识、参数多、训练难度大等缺点,同时鉴于复杂多类问题的CNN模型构建策略的重要价值,提出一种自适应深度CNN模型构建方法.首先,将初始网络模型的卷积层和池化层设置为仅含一幅特征图;然后,以网络收敛速度为评价指标,对网络进行全局扩展,全局扩展后,根据交叉验证样本识别率控制网络展开局部扩展,直到识别率达到预设期望值后停止局部网络学习;最后,针对新增训练样本,通过拓展新支路实现网络结构的自适应增量学习.通过图像识别实验验证了所提算法在网络训练时间和识别效果上的优越性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王科俊	哈尔滨工程大学自动化学院	188	3114	29.0	47.0
2	申晋	山东理工大学电气与电子工程学院	99	355	9.0	12.0
3	高明亮	山东理工大学电气与电子工程学院	25	184	5.0	13.0
4	邹国锋	山东理工大学电气与电子工程学院	17	169	6.0	12.0
5	傅桂霞	山东理工大学电气与电子工程学院	11	157	5.0	11.0