紧凑型深度卷积神经网络在图像识别中的应用

摘要：

针对深度卷积神经网络的结构越来越复杂,参数规模过于庞大的问题,设计出一种新的紧凑型卷积神经网络结构Width-MixedNet和其多分支的基本模块Conv-mixed,该架构扩展了卷积神经网络的宽度.Conv-mixed利用分支结构使多个不同的卷积层处理同一个特征图,提取不同的特征.在深度卷积神经网络的识别任务中,使用多个小型卷积层叠加,逐层缩小特征图的方法代替全连接层进行最后的特征提取.整个Width-MixedNet架构的参数数量只有3.4×105,仅有传统深度卷积神经网络的1/30.分别在CIFAR-10、CIFAR-100和MNIST数据集上进行实验,准确率分别达到了93.02％、66.19％和99.59％.实验表明,Width-MixedNet有更强的学习能力和表现能力,在提高识别精度的同时,大大降低了网络的参数规模.

关键词：深度学习、卷积神经网络、紧凑型结构、宽度扩展、图像识别

所属期刊栏目：13

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2019-04-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：275-284