基于卷积核分解的深度CNN模型结构优化及其在 小图像识别中的应用

• 作者: 李明珍 罗富贵
• 来源期刊: 井冈山大学学报（自然科学版）
• 学科: 工学
• 关键词: 卷积神经网络 卷积核分解 小图像 识别 超深度模型
• 年，卷（期）: 2018,（2）
• 所属期刊栏目: 信息科学
• 页码范围: 31-39
• 页数: 9页
• 分类号: TP391.41
• 字数: 6618字
• 语种: 中文
• DOI: 10.3969/j.issn.1674-8085.2018.02.006

摘要

小图像由于像素少、分辨率低、整幅图像包含信息较少,识别较为困难.目前优秀的深度卷积神经网络模型多为大图像而设计,而用于小图像的模型则存在着层次不够深、难以对特征进行充分抽象的不足.本文基于VGG19模型,依据卷积核分解的原理,设计了一种KDS-DCNN模型,模型深度达到31层,解决了目前超深度模型不能直接用于小图像识别的问题,实验表明该方法不但提升了识别性能,而且还降低了模型的时间复杂度.在CIFAR-10、CIFAR-100和SVHN三个数据集上的验证结果显示,KDS-DCNN模型性能优越,其识别错误率分别降低到29.46％、6.02％和2.17％.