自适应深度卷积神经网络模型构建方法
针对传统卷积神经网络(CNN)模型构建过度依赖经验知识、参数多、训练难度大等缺点,同时鉴于复杂多类问题的CNN模型构建策略的重要价值,提出一种自适应深度CNN模型构建方法.首先,将初始网络模型的卷积层和池化层设置为仅含一幅特征图;然后,以网络收敛速度为评价指标,对网络进行全局扩展,全局扩展后,根据交叉验证样本识别率控制网络展开局部扩展,直到识别率达到预设期望值后停止局部网络学习;最后,针对新增训练样本,通过拓展新支路实现网络结构的自适应增量学习.通过图像识别实验验证了所提算法在网络训练时间和识别效果上的优越性.
深度卷积神经网络、自适应模型构建、深度学习、图像识别
40
TP391.41(计算技术、计算机技术)
山东省自然科研基金项目ZR2015FL029,ZR2016FL14;国家自然科学基金项目61601266;中国博士后科学基金项目2017M612306
2018-03-12(万方平台首次上网日期,不代表论文的发表时间)
共6页
98-103