节点文献

基于改进DCNN结合迁移学习的图像分类方法

免费订阅

【作者】 杨东旭赖惠成班俊硕王俊南

【Author】 YANG Dongxu;LAI Huicheng;BAN Junshuo;WANG Junnan;School of Information Science and Engineering, Xinjiang University;

【机构】 新疆大学信息与工程学院

【摘要】 针对传统DCNN(Deep Convolutional Neural Networks)模型中Softmax分类层存在的过早饱和及模型参数采用随机初始化训练时间长、识别准确率低的问题,提出一种将噪声注入Softmax并结合迁移学习的图像分类方法.首先,根据对Softmax饱和问题探究,对比注入的噪声参数选取对识别率的影响来找到最佳情况,从而产生更为宽泛的梯度并起到延迟饱和的作用;然后,利用公开预训练模型参数来代替随机初始化参数,并比较冻结不同卷积层对模型的影响;最后,在MNIST和CIFAR-10图像分类数据集上实验,证明所提方法具有良好的识别效果.

【关键词】 DCNN噪声Softmax迁移学习图像分类
【基金】 国家自然科学基金资助项目(61561048);新疆维吾尔自治区科学基金资助项目(2015211C257)
【所属期刊栏目】 信息科学与技术 (2018年02期)
  • 【DOI】10.13568/j.cnki.651094.2018.02.012
  • 【分类号】TP391.41
  • 【被引频次】5
  • 【下载频次】227
节点文献中: 

本文链接的文献网络图示:

浏览历史:
下载历史: