基于高倍特征深度残差网络的手写数字识别

摘要

手写体数字识别是模式识别的一个重要研究领域。由于手写体数字书写风格变化大,传统识别方法识别率不高。近年来深度学习为解决该问题带来了新活力。提出了深度残差网络,将池化层后特征大小减半,将每一级的特征数量变为输入数量的多倍,充分挖掘上一层的有效数据。在每一层的末尾添加1×1的卷积层,丰富神经网络表达能力的同时压缩冗余特征,并减少下一层网络参数。实验中采用MNIST数据集作为数据源,同时采用数据增广技术,进一步提高神经网络泛化能力。实验结果表明,方案不但能有效提高手写体数字识别率,而且可以进一步缩减训练时间。