一种应用于小样本图像识别的改进卷积神经网络方法 | |
赵小强; 王帆 | |
2016-05-28 | |
会议日期 | 2016 |
关键词 | 图像识别 小样本 卷积神经网络 反向传播(BP)算法 |
英文摘要 | 卷积神经网络(Convolutional neural network,CNN)在训练样本充足时能达到较高的图像识别率,但训练样本数不足时,它的图像识别率就会急剧下降。为了改善这一缺点,本文提出了一种改进的卷积神经网络方法,首先,该方法使用从不同网络层获得的特征映射来代替仅从输出层提取的图像特征,用多采样方式结合的混合采样层来代替仅有一种采样方式的采样层;其次,将增加动量项和自适应学习率相结合的方法引入反向传播(BP)算法中,用其对网络进行训练;最后,采用Softmax回归分类器进行判别。将改进的卷积神经网络应用于MNIST及AR数据库,实验结果证明了本文提出的改进卷积神经网络方法在样本数不足的情况下能够获得较好的识别率。 |
内容类型 | 会议论文 |
源URL | [http://119.78.100.223/handle/2XXMBERH/27848] ![]() |
专题 | 电气工程与信息工程学院 |
作者单位 | 兰州理工大学电气工程与信息工程学院 |
推荐引用方式 GB/T 7714 | 赵小强,王帆. 一种应用于小样本图像识别的改进卷积神经网络方法[C]. 见:. 2016. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论