基于改进深度卷积神经网络的纸币识别研究
针对如何提高纸币识别率的问题,该文提出一种改进深度卷积神经网络(DCNN)的纸币识别算法.该算法首先通过融合迁移学习、带泄露整流(Leaky ReLU)函数、批量归一化(BN)和多层次残差单元构造深度卷积层,对输入的不同尺寸纸币进行稳定而快速的特征提取与学习;然后采用改进的多层次空间金字塔池化算法对提取的纸币特征实现固定大小的输出表示;最后通过网络全连接层和softmax层实现纸币图像分类.实验结果表明,该算法在分类性能、泛化能力与稳定性上明显优于常用的纸币分类算法;同时该算法也能够满足纸币清分系统的实时性要求.
纸币识别、深度卷积神经网络、残差学习、空间金字塔池化
41
TP391.41;TP181(计算技术、计算机技术)
国家自然科学基金61563037;江西省杰出青年计划20171BCB23057
2019-08-19(万方平台首次上网日期,不代表论文的发表时间)
共9页
1992-2000