基于多级金字塔卷积神经网络的快速特征表示方法

被引：11

作者：

王冠皓

徐军

机构：

[1] 南京信息工程大学信息与控制学院

来源：

计算机应用研究 | 2015年 / 32卷 / 08期

关键词：

深度学习; 多级金字塔卷积神经网络; 特征表示; 特征共享;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

由于在大尺度图像中卷积滤波的过程速度过慢,导致卷积神经网络(convolutional neural network,CNN)参数调节困难、训练时间过长。针对这一问题,通过对传统卷积神经网络(traditional convolution neural network,TCNN)的改进,提出一种快速有效的多级金字塔卷积神经网络(multi-level pyramid CNN,MLPCNN)。这一网络使用权值共享的方法将低级的滤波权值共享到高级,保证CNN的训练只在较小尺寸的图像块上进行,加快了训练速度。实验表明,在特征维数比较低的情况下,MLPCNN提取到的特征比传统的特征提取方法更加有效,在Caltech101数据库上,MLPCNN识别率达到81.32%,而且训练速度较TCNN提高了约2.5倍。

引用

页码：2492 / 2495

页数：4