基于对称神经网络的图像分类
随着深度神经网络图像处理领域的研究与应用,图像分类精度得到了大幅提升.然而深度神经网络的随机处理过程导致同一网络对相同的训练图像,重复训练会提取到有差异性的特征.为了利用这种差异性,本文提出了一种对称神经网络模型,将两个特征维度相同的深度神经网络作为对称模型的左右子网络,通过前向传播得到有差异的图像特征,并在联合层对差异特征进行融合.为了优化网络,采用差异度量函数度量左右子网络的差异,用差异优化网络的损失函数,进而通过反向传播微调模型参数.基于上述思想,本文将扩展了左右子网络为深度置信网的对称深度置信网及左右子网络为卷积神经网络的对称卷积神经网络,在数据集MNIST和CIFAR-10上的实验测试表明,相较于深度置信网及卷积神经网络,该方式集成的对称深度模型能取得较好的分类性能.
差异特征、对称网络、子网络、图像分类
38
TP391(计算技术、计算机技术)
国家自然科学基金项目61170185;航空基金项目2013ZC54011;辽宁省博士启动资金项目20121034;辽宁省教育厅科学研究一般项目L2014070
2017-08-22(万方平台首次上网日期,不代表论文的发表时间)
共6页
578-583