自适应调节学习率和样本训练方式的场景分类

摘要：

在基于卷积神经网络的场景分类方法中,当训练数据较少时,由于网络训练次数较多、收敛性较差等原因,容易造成过拟合.为了消除此影响,在卷积神经网络的框架下,文中提出可以自适应调节网络学习率和样本训练方式的场景分类算法.根据网络训练中误差函数的变化自适应调节学习率,当误差函数变化较小时,保持批次的学习率不变,当误差函数变化加大时,学习率的变化与误差函数的改变成反比.同时根据网络输出结果改变实验样本的训练方式,着重训练分类不准确的图像.在Scene-15、Cifar-10场景数据集上的实验表明,文中算法改善神经网络的收敛性,有效提高分类精度,特别是对于室内场景等特征复杂场景的分类精度.

关键词：场景分类、卷积神经网络、自适应学习率、自适应样本训练

所属期刊栏目：31

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金项目61663031,61661036;江西省重点研发计划项目20161BBE50085

在线出版日期：2018-09-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：625-633