|
|||||
|
|
| Supplement卷积神经网络的图像分类方法 | |
| 引用本文： | 王强,李孝杰,陈俊.Supplement卷积神经网络的图像分类方法[J].计算机辅助设计与图形学学报,2018(3). |
| 作者姓名： | 王强 李孝杰 陈俊 |
| 作者单位： | 成都信息工程大学计算机学院; |
| 摘 要： | 传统的卷积神经网络(CNN)通常会丢弃负值特征信息,进而影响着图像分类的效果.针对CNN更好地学习图像特征的问题,对传统的CNN模型进行改进,提出Supplement CNN模型.首先将卷积层得到的特征图取反,并同原特征图一起作用Leaky Re LU激活函数以保留图像的负值特征信息;然后传递至下一层,增加前向传播的特征信息,影响反向传播算法的权值更新,以有利于图像的分类;最后通过实验阐述了Supplement CNN模型受网络层数的影响情况.与传统的CNN及部分扩展模型进行对比实验的结果表明,该模型是有效的. |
| 本文献已被 CNKI 等数据库收录！ | |