面向手写数字图像的压缩感知快速分类

作者：肖术明; 王绍举; 常琳; 冯汝鹏

来源：光学精密工程, 2021, 29(07): 1709-1719.

• 图像分类
• 手写数字
• 压缩感知
• 神经网络

为了减少神经网络模型对手写数字数据集的训练计算耗时和最佳训练次数,同时保证手写数字图像的分类准确率,引入了压缩感知技术,提出了基于压缩感知和单隐层前馈网络(Compressive Sensing and Single Hidden Layer Feedforward Network,CS-SHLNet)的手写数字图像快速分类算法。首先,利用高斯随机矩阵对具有稀疏性的手写数字图像进行线性观测,将高维图像信号投影到低维空间得到观测值;其次,通过误差反向传播(Error BackPropagation,BP)算法不断调整单隐层前馈网络权值建立适应于观测值的神经网络模型,将观测值嵌入神经网络中对图像进行特征提取;最后,采用单隐层前馈网络模型对手写数字进行图像分类,以训练计算耗时、最佳训练次数和分类准确率等指标对模型进行定量评估。实验结果表明:相比较单隐层神经网络和深度学习对MNIST手写数字数据集的高维图像信号图像分类,先通过CS技术利用观测数M=235的高斯随机矩阵线性观测得到图像的观测值,再利用单隐层前馈网络对观测值进行图像分类,网络模型的训练计算耗时缩短为13.05 s,最佳训练次数缩短为3次,分类准确率保持97.5%。该算法中的压缩感知线性观测可以有效减少神经网络模型对手写数字数据集的训练计算耗时和最佳训练次数,而且可以保证分类准确率。

• 单位
  中国科学院大学; 中国科学院长春光学精密机械与物理研究所