10.13700/j.bh.1001-5965.2018.0766
基于深度卷积的残差三生网络研究与应用
针对图像多分类任务,提出基于深度卷积的残差三生网络,旨在通过残差学习和距离比较来训练神经网络得到有效的特征表示.首先,设计了一个21层的深度卷积神经网络作为三生网络的嵌入网络,其中该卷积网络共连接6个块(block).利用残差学习的方式,每个block的输出层由卷积层的输出和该block的输入共同组成,降低网络学习难度,避免网络出现退化问题.然后,每个block中采用相同拓扑结构分路的卷积层,拓宽网络的宽度.最后,在全连接层拼接了来自前面卷积层和block的输出,加强特征信息的传递.训练前,针对正负样本采用交叉组合的采样方法来增加有效训练样本量;训练期间,用样本中心点更换原点样本作为输入,能平均降低0.5% 错误率.在与其他三生网络的对比实验中,在MNIST、CI-FAR10和SVHN数据库上达到最好的效果,在所有分类网络中,本文网络在MNIST上达到最好的效果,在CIFAR10和SVHN上表现优异.
卷积神经网络、三生损失、残差学习、挑战性样本采样、样本中心点
45
O29(应用数学)
国家自然科学基金61671002
2019-10-16(万方平台首次上网日期,不代表论文的发表时间)
共10页
1864-1873