基于卷积神经网络迭代优化的图像分类算法

被引：21

作者：

李鸣 ^{[1
,2
]}

张鸿 ^{[1
,2
]}

机构：

[1] 武汉科技大学计算机科学与技术学院

[2] 武汉科技大学智能信息处理与实时工业系统湖北省重点实验室

来源：

计算机工程与设计 | 2017年 / 38卷 / 01期

关键词：

卷积神经网络; 特征图; 网络连接; 收敛; 阈值;

D O I：

10.16208/j.issn1000-7024.2017.01.037

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对传统卷积神经网络在处理图像分类的问题过程中,需要较长的训练时间、大量的存储空间和计算资源等问题,提出一种基于卷积神经网络迭代优化的图像分类算法。对卷积神经网络进行初始化,在训练网络的过程中,对每层网络单个特征图的输入进行BN(batch normalize)处理,得到归一化的数据后再输入到特征图中,采用迭代的方法调整卷积神经网络中的参数并删除低于阀值的连接。实验结果表明,在Mnist、Cifar-10数据集上,经过迭代优化后的卷积神经网络分别提高了0.33%和3.42%的准确率,有效降低了网络中参数的数量,相比原始卷积神经网络中的参数数量分别降低87.94%、85.91%,网络收敛速度更快,减小了网络的训练时间。

引用

页码：198 / 202+214 +214

页数：6

共 3 条

[1]

A review of unsupervised feature learning and deep learning for time-series modeling[J] . Martin L?ngkvist,Lars Karlsson,Amy Loutfi.Pattern Recognition Letters . 2013

[2]

Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation .2 Girshick R,Donahue J,Darrell T,et al. Computer Vision and Pattern Recognition . 2014

[3]

Representation Learning A Review and New Perspectives .2 Yoshua Bengio,Aaron Courville,Pascal Vincent. Pattern Analysis and Machine Intelligence . 2013

← 1 →