基于改进Fisher判别准则的卷积神经网络设计

摘要：

传统卷积神经网络(CNN)在建模过程中由于数据样本量不足容易出现过拟合现象,且对随机数据泛化能力较差.为此,设计一种结合改进Fisher判别准则与GRV模块的卷积神经网络(FDCNN).使用CNN学习从输入图像到多维欧式空间的映射关系,采用基于改进Fisher判别准则的损失函数进行网络模型训练并将人脸样本数据投影到低维空间,保证类内离散度尽量小的同时类间离散度尽量大以达到最佳人脸分类效果.引入融合GoogleNet、ResNet和VGGNet网络结构特点的GRV模块,提高CNN网络表达能力并降低网络模型复杂度.实验结果表明,当训练样本数量为840时,FDCNN模型在CBCL数据集上的识别率为93.4％,相比传统CNN模型、基于改进Fisher判别准则的全连接神经网络模型等网络模型识别率更高且泛化能力更好.

关键词：卷积神经网络、Fisher判别准则、损失函数、离散度、泛化能力

所属期刊栏目：46

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金61403189

在线出版日期：2021-01-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：255-260,266