基于SqueezeNet和FractalNet混合模型的图像分类研究

• 作者: 吴建华 王子牛 王许 陈娅先 高建瓴
• 来源期刊: 软件
• 学科: 工学
• 关键词: SqueezeNet FractalNet DenseNet 图像分类 混合模型 卷积神经网络
• 年，卷（期）: 2019,（10）
• 所属期刊栏目: 基金项目论文
• 页码范围: 46-49
• 页数: 4页
• 分类号: TP183
• 字数: 2190字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-6970.2019.10.011

摘要

针对传统卷积神经网络(如Lenet5)在图像的多分类任务中识别率不高、较新的卷积神经网络(如VGG16)在图像的多分类任务中待优化的参数达到千万级别的问题.采用将SqueezeNet神经网络与FractalNet神经网络相结合的方法.本文使用SqueezeNet神经网络中的Fire Module来减少模型的参数、FractalNet神经网络的基本架构来保证神经网络模型的准确度.结果显示:在其它超参数基本相同的前提下,迭代40代时,DenseNet模型的测试集准确度为79.92％,而混合模型的测试集准确度为84.56％,其待优化的参数降至二百万个左右,故混合模型对数据的拟合能力更强,模型参数保持较低水平.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王子牛		38	169	7.0	11.0
2	高建瓴	贵州大学大数据与信息工程学院	39	126	7.0	9.0
3	王许	贵州大学大数据与信息工程学院	19	24	3.0	4.0
4	陈娅先	贵州大学大数据与信息工程学院	6	13	2.0	3.0
5	吴建华	贵州大学大数据与信息工程学院	4	10	2.0	3.0