基于二分支卷积单元的图像分类算法

摘要

作为人工智能领域的基础，图像分类技术有着极其重要的作用。随着智能设备的应用，对图像分类技术的要求越来越高。传统的图像分类算法大部分需要人工设计特征和分类器，具有一定的局限性，并且会受到光照、背景、尺度、角度等因素的影响。近几年，随着深度卷积神经网络的快速发展，基于卷积神经网络的图像分类技术取得突破性进展，其分类性能远远超过传统的图像分类算法，并且在工业界被广泛应用，也吸引了越来越多的研究人员投入到相关研究中来。 现在的卷积神经网络朝着层数多、宽度大的方向发展，但这样往往带来大量的参数，加大训练难度。基于简化卷积的神经网络虽然能够减少网络参数，但是会在卷积过程中丢失部分信息，影响网络性能。为了解决这个问题，本文提出了一种二分支卷积单元，该卷积单元包含两种不同类型的滤波器，一种用于提取包含特征通道内信息的特征，一种用于提取包含特征通道间信息的特征。为了验证二分支卷积单元的有效性，用此卷积单元代替传统滤波器，结合池化、激活等操作，构建了一个级联二分支网络。在CIFAR 数据库上进行了验证实验，实验结果证明，二分支卷积单元能够有效提取包含不同信息的特征，增加特征的多样性，减少信息损失，同时使得网络在保持较少参数的情况下，提升网络性能。 传统的激活函数ReLU把小于零的部分置零，大于零的部分保留，这样能加快网络训练的收敛速度。为了更充分利用大于零的部分，提出了一种self-ReLU，在0到1之间乘以一定的比例，使得不同的特征值产生不同的影响。将此激活函数用于NIN网络结构，在CIFAR数据库上验证了此算法，实验结果证明了此算法的有效性。

目录

第一个书签之前