基于密集卷积神经网络的全卷积池化算法

摘要

目前用于图像识别的大多数卷积神经网络(CNN)都使用相同的原理构建,即:卷积层、池化层、全连接层。文中使用密集卷积神经网络重新评估了用于图像识别的所有组件,并对池化层不存在的必要性提出了质疑。经过实验,分析发现池化层可以由步幅增加的卷积层代替,却不会降低图像识别的准确率。研究中则在DenseNets上训练提出的由卷积层替代池化层的方法,组成新的卷积神经网络体系结构,并在多个图像分类的数据集(CIFAR-10,SVHN)上产生了先进的性能。本文提出了基于密集卷积神经网络(DenseNets)的全卷积池化算法,提高了图像分类的准确率。最后,在多个经典数据集上进行比较,实验结果验证了全卷积池化算法的高效性。