基于卷积核分解的深度CNN模型结构优化及其在小-井冈山大学学报.PDF

第39 卷第2 期 Vol.39 No.2 井冈山大学学报( 自然科学版) 2018 年3 月 Mar. 2018 Journal of Jinggangshan University (Natural Science) 31 井冈山大学学报( 自然科学版) 31 文章编号：1674-8085(20 18)02-0031-09 基于卷积核分解的深度CNN 模型结构优化及其在 小图像识别中的应用 * 1 1,2 罗富贵 ，李明珍 （1. 河池学院计算机与信息工程学院，广西，宜州 546300；2. 北京邮电大学网络空间安全学院，北京100876 ） 摘 要：小图像由于像素少、 辨率低、整幅图像包含信息较少，识别较为困难。目前优秀的深度卷积神经网络 模型多为大图像而设计，而用于小图像的模型则存在着层 不够深、难以对特征进行充 抽象的不足。本文基于 VGG19 模型，依据卷积核分解的原理，设计了一种KDS-DCNN 模型，模型深度达到31 层，解决了目前超深度 模型不能直接用于小图像识别的问题，实验表明 方法不但提升了识别性能，而且还降低了模型的时间复杂度。 在CIFAR- 10、CIFAR- 100 和SVHN 三个数据集上的验证结果显示，KDS-DCNN 模型性能优越，其识别错误率 别降低到29.46% 、6.02%和2.17% 。 关键词：卷积神经网络; 卷积核分解; 小图像; 识别; 超深度模型 中图分类号：TP391.4 1 文献标识码：A DOI:10.3969/j.issn.1674-8085.20 18.02.006 THE OPTIMIZATION OF SUPER DEEP CNN MODEL BASED ON CONVOLUTIONAL KERNEL DECOMPOSITION AND APPLICATION ON TINY IMAGES RECOGNITION * 1 1,2 LUO Fu-gui , LI Ming-zhen （1. Computer and Information Engineering college, Hechi University, Yizhou, Guangxi 546300; 2.School of Cyberspace Security, Beijing University of Posts and Telecommunications, Beijing100876) Abstract: The tiny image recognition is one of important parts of computer vision. But it is very difficult to recognize them because of their few pixels, low resolution and poor information. The deep convolutional neural networks have obtained great breakthrough on many vision tasks such as obj ect classification and detection via more than one times of linea