基于CIFAR-10的图像分类模型优化

• 作者: 张占军 彭艳兵 程光
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 过拟合 数据增强 正则约束 卷积拆分 准确率
• 年，卷（期）: 2018,（3）
• 所属期刊栏目: 图像处理与应用
• 页码范围: 177-181
• 页数: 5页
• 分类号: TP183
• 字数: 3574字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2018.03.034

摘要

随着卷积神经网络在图像处理的研究与应用,图像的分类准确度得到了大幅提升,但是过拟合的问题却一直存在并成为影响分类准确率的重要因素.从过拟合的产生源头出发,增加数据量并减少参数数量以达到降低过拟合的目的.基于经典模型LeNet-5,对输入数据进行数据增强,并对卷积层进行拆分以减少参数,同时采用L1、L2混合约束的方法,并灵活调整两者的占比以达到最佳效果.实验结果表明,在CIFAR-10数据集上,优化后的网络达到了91.2%的准确率,相比最初的LeNet-5模型提高了23%,极大地降低了过拟合,提高了模型的分类准确率.