10.15991/j.cnki.411100.2020.06.008
一种改进Octave神经网络的图像识别模型
为提高卷积神经网络(CNN)模型在图像识别任务中的精度,提出了一种改进Octave神经网络模型——OCM(Octave Convention Multilayer Perceptron)模型.基于Octave卷积层构建高频卷积核和低频卷积核;在高频卷积核中间加入一个MLP(Multilayer Perceptron,多层感知机)来增强高频特征对图片细节的表达;联合高频卷积核和低频卷积核的输入特征图形成了新的特征图,进一步提升模型的表征能力.在图像识别数据集(CIFAR-10和CI-FAR-100)上的实验结果表明,所提算法在CIFAR-10和CIFAR-100上的测试集准确率与ResNet、Octave_CNN、Width-MixedNet、X-CNN算法相比,图像识别的精度提高了0.15%~19.12%,验证了本文算法的有效性.
卷积神经网络、卷积核、图像识别
50
TP391.41(计算技术、计算机技术)
国家自然科学基金资助项目;河南省科技发展计划项目
2021-08-09(万方平台首次上网日期,不代表论文的发表时间)
共7页
700-706