原创力文档- 1、本文档共11页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
?
?
基于并行卷积核交叉模块的卷积神经网络设计
?
?
王新娇曾上游魏书伟
摘?要：针对卷积神经网络结构单一，模块中卷积核使用单一，网络特征提取不充分导致图片分类准确度不够，以及模型大的问题，提出卷积核交叉模块的网络设计。此模块先将输出特征图分成两组，每一组采用不同数量、不同大小的卷积核进行特征提取，然后将分组得到的特征图进行级联操作后再通过1×1的卷积核进行整合。该文设计的卷积神经网络与传统的网络相比，在食物101_food数据集上将识别精度由56.7%提升至72.63%;在交通GTSRB数据集上将识别精度由96.3%提升至98.41%。实验结果表明，该文设计的网络结构性能优越，且网络模型较小。
关键词：卷积神经网络;网络改进;卷积核;图像分类;特征提取;结果分析
中图分类号：TN926?34;TP391.4?????????文献标识码：A??????????文章编号：1004?373X（2020）24?0182?05
Designofconvolutionneuralnetworkbasedonparallelconvolutionkernelcrossmodule
WANGXinjiao，ZENGShangyou，WEIShuwei
（SchoolofElectronicEngineering，GuangxiNormalUniversity，Guilin541004，China）
Abstract：Inallusiontotheproblemsofinsufficientaccuracyofimageclassificationcausedbythesinglestructureofconvolutionneuralnetwork，singleuseofconvolutionkernelinthemoduleandinsufficientextractionofnetworkfeatures，aswellaslargemodelproblem，anetworkdesignofconvolutionkernelcrossmoduleisproposed.Inthismodule，theoutputfeaturemapisdividedintotwogroups，eachgroupusesconvolutionkernelswithdifferentnumberandsizeforthefeatureextraction，andthenthegroupedfeaturemapiscascadedandintegratedthrough1×1convolutionkernels.Incomparisonwiththetraditionalnetwork，therecognitionaccuracybytheconvolutionneuralnetworkdesignedinthispapercanbeimprovedfrom56.7%to72.63%inthefood101_fooddataset，andfrom96.3%to98.41%inthetrafficGTSRBdataset.Theexperimentalresultsshowthatthenetworkstructuredesignedinthispaperhassuperiorperformanceandsmallernetworkmodel.
Keywords：convolutionneuralnetwork;networkimprovement;convolutionkernel;imageclassification;featureextraction;resultanalysis
0?引?言
随着互联网的快速发展和大数据时代的到来，深度学习已经成为当前人工智能领域研究的热点[1]。人工智能的发展是当今世界研究的主流，国家也在强调“互联网”时代，而深度学习在图像识别、语音处理、数据挖掘、自然语言处理以及其他相关领域都取得了很多成果。深度学习是一个复杂的机器学习算法，解决了很多复杂的难题，使得人工智能技术取得了很大进步。
卷积神经网络（ConvolutionalNeuralNetwork，CNN）是深度學习算
文档评论（0）