基于深度卷积的残差三生网络研究与应用

• 作者: 厉铮泽 朱日东 杨小远 王敬凯
• 来源期刊: 北京航空航天大学学报
• 学科: 数学
• 关键词: 卷积神经网络 三生损失 残差学习 挑战性样本采样 样本中心点
• 年，卷（期）: 2019,（9）
• 页码范围: 1864-1873
• 页数: 10页
• 分类号: O29
• 字数: 6460字
• 语种: 中文
• DOI: 10.13700/j.bh.1001-5965.2018.0766

摘要

针对图像多分类任务,提出基于深度卷积的残差三生网络,旨在通过残差学习和距离比较来训练神经网络得到有效的特征表示.首先,设计了一个21层的深度卷积神经网络作为三生网络的嵌入网络,其中该卷积网络共连接6个块(block).利用残差学习的方式,每个block的输出层由卷积层的输出和该block的输入共同组成,降低网络学习难度,避免网络出现退化问题.然后,每个block中采用相同拓扑结构分路的卷积层,拓宽网络的宽度.最后,在全连接层拼接了来自前面卷积层和block的输出,加强特征信息的传递.训练前,针对正负样本采用交叉组合的采样方法来增加有效训练样本量;训练期间,用样本中心点更换原点样本作为输入,能平均降低0.5％ 错误率.在与其他三生网络的对比实验中,在MNIST、CI-FAR10和SVHN数据库上达到最好的效果,在所有分类网络中,本文网络在MNIST上达到最好的效果,在CIFAR10和SVHN上表现优异.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨小远	北京航空航天大学数学与系统科学学院	19	22	2.0	4.0
2	厉铮泽	北京航空航天大学数学与系统科学学院	1	0	0.0	0.0
3	朱日东	北京航空航天大学数学与系统科学学院	2	1	1.0	1.0
4	王敬凯	北京航空航天大学数学与系统科学学院	3	2	1.0	1.0