一种卷积神经网络的图像矩正则化策略
卷积神经网络的池化策略包含极大池化和平均池化,极大池化选择池化区域中的最大值,极易出现过抑合现象;平均池化对池化区域中所有元素赋予相同权重,降低了高频分量的权重。本文提出将矩池化作为卷积神经网络的正则化策略,矩池化将几何矩概念引入到卷积神经网络的池化过程中,首先计算池化区域的中心矩,然后根据类插值法依概率随机地从中心矩的4个邻域中选择响应值。在数据集MNIST、CIFAR10、CIFAR100上的实验结果表明随着训练迭代次数的增加,矩池化的训练误差和测试误差最低,矩池化的高差别性和强鲁棒性使其获得了比极大池化和平均池化更好的泛化能力。
中心矩、随机选择、池化、卷积神经网络、过抑合
11
TP391.4(计算技术、计算机技术)
国家自然科学基金资助项目61202143,61572409;福建省自然科学基金资助项目2013J05100.
2016-04-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
43-48