并行尺度裁切的深度卷积神经网络模型

• 作者: 方永平 黄友文
• 来源期刊: 微电子学与计算机
• 关键词: 并行卷积神经网络 识别 尺度裁切 特征提取 AlexNet
• 年，卷（期）: 2019,（4）
• 页码范围: 6-11
• 页数: 6页
• 分类号: TP3
• 语种: 中文

摘要

针对并行卷积神经网络(PCNN)的参数过多,模型训练时间成本高的问题,本文提出了并行尺度裁切卷积神经网络(PSC-CNN).PSC-CNN算法是将并行卷积神经网络其中一路(Path A)的输入及该通路的特征提取层的输出通过Crop层裁切得到新的尺寸的图像供给另一路(Path B)网络作为输入.这样,Path A的输入图像在数据层经过一次随机裁剪,Path B则经过了两次裁剪操作,增加了输入数据的多样性,提升了模型的学习能力.算法以AlexNet为基础网络,分别设计了对应的PCNN及PSC-CNN模型,在数据集Caltech101、Caltech256上进行实验.实验结果表明,相较原始的PCNN,本文提出的改进算法有效的提升了分类准确度同时缩短了训练时间.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄友文	江西理工大学信息工程学院	15	31	3.0	5.0
2	方永平	江西理工大学信息工程学院	1	0	0.0	0.0