Supplement卷积神经网络的图像分类方法

• 作者: 李孝杰 王强 陈俊
• 来源期刊: 计算机辅助设计与图形学学报
• 学科: 工学
• 关键词: 深度学习 卷积神经网络 图像分类 负值特征
• 年，卷（期）: 2018,（3）
• 所属期刊栏目: 图像与视觉
• 页码范围: 385-391
• 页数: 7页
• 分类号: TP391.41
• 字数: 3660字
• 语种: 中文
• DOI: 10.3724/SP.J.1089.2018.16322

摘要

传统的卷积神经网络(CNN)通常会丢弃负值特征信息,进而影响着图像分类的效果.针对CNN更好地学习图像特征的问题,对传统的CNN模型进行改进,提出Supplement CNN模型.首先将卷积层得到的特征图取反,并同原特征图一起作用Leaky ReLU激活函数以保留图像的负值特征信息;然后传递至下一层,增加前向传播的特征信息,影响反向传播算法的权值更新,以有利于图像的分类;最后通过实验阐述了Supplement CNN模型受网络层数的影响情况.与传统的CNN及部分扩展模型进行对比实验的结果表明,该模型是有效的.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈俊	成都信息工程大学计算机学院	31	166	8.0	12.0
2	王强	成都信息工程大学计算机学院	5	21	3.0	4.0
3	李孝杰	成都信息工程大学计算机学院	7	19	3.0	4.0