基于Padding权重化的卷积神经网络研究

• 作者: 刘之瑜 徐精诚 罗长银 王豪石 张淑芬
• 来源期刊: 新一代信息技术
• 关键词: 卷积神经网络 Fashion-MNIST数据集 Padding
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 科技论文
• 页码范围: 14-20
• 页数: 7页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.2096-6091.2021.03.003

摘要

图像经过卷积神经网络中的卷积操作会使图像的尺寸缩小,经过几次卷积后图像大小会不足以支持继续训练网络模型,采用边界填充(Padding)操作,在图像外围填充数值0,再进行卷积操作,经过一次卷积后输出的特征图矩阵与输入的图像矩阵有相同的大小,解决训练深度受限的问题,使网络拥有更好的性能.但Padding操作在图像外围填充数值0,会使图像边缘信息模糊.本文提出参数化的Padding操作,将填充的数值0替换为带权重的数值,保持训练深度,保留图像的边缘信息.使用包含3个卷积层和2个全连接层的简单卷积神经网络,在Fashion-MNIST数据集上进行训练,准确率有1.52％的提升.