卷积神经网络的深度与宽度对猫狗图像识别模型性能的影响

摘要：

卷积神经网络作为近年来最火热的研究课题之一,备受人们关注,其在图像识别、目标检测以及语音识别方面表现尤为突出.由于卷积神经网络处理的都是一些数据量巨大、对结果精度要求较高的问题,所以一个卷积神经网络模型性能的好坏就显得尤为重要.基于Tensorflow框架,以模型的准确率和损失作为衡量模型好坏的标准,从卷积神经网络模型的深度和宽度入手,在猫狗图像数据集上分析了深度对模型性能的影响;同时通过选取不同数目的神经元与不同大小的卷积核,讨论了宽度对模型性能的影响;最终提出了组合性的卷积神经网络,实验表明,组合性的卷积神经网络的性能优于单一深度或宽度的卷积神经网络,其最高准确率达到了87.7%.

关键词：卷积神经网络、图像识别、Tensorflow

所属期刊栏目：41

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2023-08-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：956-963