基于多分类器协同学习的卷积神经网络训练算法-计算机科学.PDFVIP

第 43 卷第9 期 计算机科学 Vo1. 43 No.9 2016 年 9 月 Computer Science Sep 2016 基于多分类器协同学习的卷积神经网络训练算法 陈文1 张恩阳2 赵勇2 (四川大学计算机学院 成都 610065)1 (长虹技术中心基础技术研究所 成都 610094)2 摘 要 卷和、神经网络(CNN)是一类重要的深度神经网络，然而其训练过程需要大量的己标记样本，从而限制了其 实际应用。针对这一问题，分析了 CNN 分类器的协同学习过程，给出了基于迭代进化的分类器协同训练算法 CAMC。该算法结合了 CNN 和多分类器协同训练的优势，首先采用不同的卷积核提取出多种样本特征以产生不同的 CNN 分类器;然后利用少量的己标记样本和大量的未标记样本对多个分类器进行协同训练，以持续提高分类性能。 在人脸表情标准数据集上的实验结果表明，相对于传统的表情特征识别法 LBP 和 Gabor， CAMC 能够在分类过程中 利用未标记样本持续实现性能提升，瓜、而具有更高的分类准确率。 关键词 机器学习，卷积神经网络，协同训练，图像识别，多分类器 中图法分类号 TP301 文献标识码 A 001 10. 11896/j. issn. 1002-137叉 2016.9.044 CNN Training Algorithm ßased on Ü • studying of Multiple Classifiers CHEN Wen1 ZHANG En-yani ZHAO Yoni (College of Computer Science ,Sichuan University ,Chengdu 610065 ,China)1 (Basis Technology Institution ,Changhong Technology Center ,Chengdu 610094 ,China) 2 Abstract Convolutional neural network (CNN) is a kind of important deep neural network. However ,amounts of la beled samples are needed in the training process of CNN ,which largely limits its applications. For the problem ,the ccγ training process of CNN was analyzed ,and a co-training algorithm CAMC based on the iterative evolution of classifiers was given. The advantages of CNN and cσtraining of multiple classifiers are combined in CAMC. Firstly ,multiple fea tures are drawn using different convolutional kernels to build up different CNN classifiers. Then to continually improve the classification performance ,some labeled samples together with many unlabeled samples are employed to co-train the multi classifiers. The exper