基于反卷积特征提取的深度卷积神经网络学习

摘要：

在深度卷积神经网络的学习过程中,卷积核的初始值通常是随机赋值的.另外,基于梯度下降法的网络参数学习法通常会导致梯度弥散现象.鉴于此,提出一种基于反卷积特征提取的深度卷积神经网络学习方法.首先,采用无监督两层堆叠反卷积神经网络从原始图像中学习得到特征映射矩阵;然后,将该特征映射矩阵作为深度卷积神经网络的卷积核,对原始图像进行逐层卷积和池化操作;最后,采用附加动量系数的小批次随机梯度下降法对深度卷积网络微调以避免梯度弥散问题.在MNIST、CIFAR-10和CIFAR-100数据集上的实验结果表明,所提出方法可有效提高图像分类精度.

关键词：反卷积神经网络、卷积神经网络、卷积核、动量系数、小批次随机梯度下降

所属期刊栏目：33

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金项目61472424,61772532

在线出版日期：2018-03-19（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：447-454