一种基于Boosting的差分互补卷积网络

摘要

近年来,大部分卷积神经网络都是通过人为设计更复杂的网络结构,并添加额外的计算量和参数量来提升任务的性能.然而更复杂的网络具有以下不足:传统的卷积层依赖于重复固定的学习模式并且子滤波器之间相互独立,无法精准地提取详细的区分信息;网络层数加深时会出现大量的冗余特征.提出了一种能够嵌入深度神经网络的多尺度差分互补卷积单元.该单元通过在单个分组卷积中构造分层的差分互补连接,分层级增强了内部分组的输入特征,使得卷积层中每组滤波器的学习区域各有侧重,同时显著改善了每个卷积层的多尺度表述能力,从而实现网络性能的提升.实验结果表明,基于差分互补卷积的网络结构在不引入额外的参数时具有更高的识别精度.