不同池化模型的卷积神经网络学习性能研究
目的 基于卷积神经网络的深度学习算法在图像处理领域正引起广泛关注.为了进一步提高卷积神经网络特征提取的准确度,加快参数收敛速度,优化网络学习性能,通过对比不同的池化模型对学习性能的影响提出一种动态自适应的改进池化算法.方法 构建卷积神经网络模型,使用不同的池化模型对网络进行训练,并检验在不同迭代次数下的学习结果.在现有算法准确率不高和收敛速度较慢的情况下,通过使用不同的池化模型对网络进行训练,从而构建一种新的动态自适应池化模型,并研究在不同迭代次数下其对识别准确率和收敛速度的影响.结果 通过对比实验发现,使用动态自适应池化算法的卷积神经网络学习性能最优,在手写数字集上的收敛速度最高可以提升18.55%,而模型对图像的误识率最多可以降低20%.结论 动态自适应池化算法不但使卷积神经网络对特征的提取更加精确,而且很大程度地提高了收敛速度和模型准确率,从而达到优化网络学习性能的目的.这种模型可以进一步拓展到其他与卷积神经网络相关的深度学习算法.
深度学习、卷积神经网络、图像识别、特征提取、算法收敛、动态自适应池化
21
TP391(计算技术、计算机技术)
国家自然科学基金项目61172144;辽宁省教育厅科学技术研究一般项目L2015216National Natural Science Foundation of China61172144
2016-10-18(万方平台首次上网日期,不代表论文的发表时间)
共13页
1178-1190