10.3969/j.issn.1007-130X.2019.11.015
基于卷积神经网络的图像数据增强算法
提升卷积神经网络的泛化能力和降低过拟合的风险是深度卷积神经网络的研究重点.遮挡是影响卷积神经网络泛化能力的关键因素之一,通常希望经过复杂训练得到的模型能够对遮挡图像有良好的泛化性.为了降低模型过拟合的风险和提升模型对随机遮挡图像识别的鲁棒性,提出了激活区域处理算法,在训练过程中对某一卷积层的最大激活特征图进行处理后对输入图像进行遮挡,然后将被遮挡的新图像作为网络的新输入并继续训练模型.实验结果表明,提出的算法能够提高多种卷积神经网络模型在不同数据集上的分类性能,并且训练好的模型对随机遮挡图像的识别具有非常好的鲁棒性.
深度学习、卷积神经网络、图像分类、数据增强
41
TP391.4(计算技术、计算机技术)
国家自然科学基金61962054;2016年甘肃省科技计划资助自然科学基金1606RJZA047;2012年度甘肃省高校基本科研业务费专项资金;甘肃省高校研究生导师项目1201-16;西北师范大学第三期知识与创新工程科研骨干项目nwnu-kjcxgc-03-67
2019-12-09(万方平台首次上网日期,不代表论文的发表时间)
共10页
2007-2016