并行尺度裁切的深度卷积神经网络模型

作者：黄友文; 方永平^*

来源：微电子学与计算机, 2019, 36(04): 6-11.

DOI：10.19304/j.cnki.issn1000-7180.2019.04.002

• 并行卷积神经网络
• 识别
• 尺度裁切
• 特征提取
• AlexNet

针对并行卷积神经网络(PCNN)的参数过多,模型训练时间成本高的问题,本文提出了并行尺度裁切卷积神经网络(PSC-CNN).PSC-CNN算法是将并行卷积神经网络其中一路(Path A)的输入及该通路的特征提取层的输出通过Crop层裁切得到新的尺寸的图像供给另一路(Path B)网络作为输入.这样,Path A的输入图像在数据层经过一次随机裁剪,Path B则经过了两次裁剪操作,增加了输入数据的多样性,提升了模型的学习能力.算法以AlexNet为基础网络,分别设计了对应的PCNN及PSC-CNN模型,在数据集Caltech101、Caltech256上进行实验.实验结果表明,相较原始的PCNN,本文提出的改进算法有效的提升了分类准确度同时缩短了训练时间.

• 单位
  江西理工大学