基于信息修正的深度残差学习

• 作者: 谢烟平 谭晓阳
• 来源期刊: 数据采集与处理
• 学科: 工学
• 关键词: 深度残差学习 深度神经网络 机器学习 信息修正
• 年，卷（期）: 2020,（3）
• 页码范围: 441-448
• 页数: 8页
• 分类号: TP311
• 字数: 4223字
• 语种: 中文
• DOI: 10.16337/j.1004-9037.2020.03.007

摘要

提出了一种新的深度残差网络的拓展模块,有效提高了学习表示的鲁棒性.所提出的方法是一个简单的即插即用模块,即组卷积式编码-解码结构,它可以作为一个额外的信息过滤部件集成到原来的深度残差网络中.利用编码器的下采样来产生信息压缩过的特征图,解码器模块被驱动以产生激活准确的特征图,其能够突出显示输入图片中最具有判别力的区域,最后通过元素级相加和激活操作对输入特征进行信息修正.为了使设计的模型计算更加高效,通过减少残差分支的通道数来探究其轻量级版本的表现,发现并没有明显的性能下降现象.在各种基于残差网络的架构上进行实验,获得了一致性的性能提高,而且付出的计算代价与原始版本相比差别不大,甚至还低.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	谭晓阳	南京航空航天大学计算机科学与技术学院	25	119	6.0	10.0
10	谢烟平	南京航空航天大学计算机科学与技术学院	1	0	0.0	0.0