一种改进池化模型对卷积神经网络性能影响的研究

• 作者: 刘梦雅 毛剑琳
• 来源期刊: 电子测量技术
• 学科: 工学
• 关键词: 卷积神经网络 池化模型 图像识别 MNIST CIFAR-10
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 理论与算法
• 页码范围: 34-38
• 页数: 5页
• 分类号: TP389.1|TN919.81
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.1802265

摘要

池化模型作为卷积神经网络模型中至关重要的一部分, 具有降维、提高模型泛化能力等作用.为了进一步提高卷积神经网络模型的准确率, 优化模型的学习性能, 提出了一种基于最大池化和平均池化的改进池化模型, 并在全球手写数字数据集MNIST和CIFAR-10上分别对改进池化模型的有效性进行了验证.通过与常见池化模型的对比实验发现, 采用改进池化模型的卷积神经网络的学习性能较优, 一次迭代情况下, 在MNIST和CIFAR-10数据集上, 错误率分别下降了4.28％和2.15％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	毛剑琳		90	337	8.0	14.0
2	刘梦雅		3	4	1.0	2.0