卷积神经网络研究综述

被引：544

作者：

李彦冬

郝宗波

雷航

机构：

[1] 电子科技大学信息与软件工程学院

来源：

计算机应用 | 2016年 / 36卷 / 09期

关键词：

卷积神经网络; 深度学习; 特征表达; 神经网络; 迁移学习;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

摘要：

近年来,卷积神经网络在图像分类、目标检测、图像语义分割等领域取得了一系列突破性的研究成果,其强大的特征学习与分类能力引起了广泛的关注,具有重要的分析与研究价值。首先回顾了卷积神经网络的发展历史,介绍了卷积神经网络的基本结构和运行原理,重点针对网络过拟合、网络结构、迁移学习、原理分析四个方面对卷积神经网络在近期的研究进行了归纳与分析,总结并讨论了基于卷积神经网络的相关应用领域取得的最新研究成果,最后指出了卷积神经网络目前存在的不足以及未来的发展方向。

引用

页码：2508 / 2515+2565 +2565

页数：9

共 12 条

[1] 迁移学习研究进展
庄福振
罗平
何清
史忠植
[J]. 软件学报, 2015, 26 (01) : 26 - 39
[2] 深度学习研究综述
孙志军
薛磊
许阳明
王正
[J]. 计算机应用研究, 2012, 29 (08) : 2806 - 2810
[3] Selective Search for Object Recognition
Uijlings, J. R. R.
van de Sande, K. E. A.
Gevers, T.
Smeulders, A. W. M.
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2013, 104 (02) : 154 - 171
[4] A fast learning algorithm for deep belief nets
Hinton, Geoffrey E.
Osindero, Simon
Teh, Yee-Whye
[J]. NEURAL COMPUTATION, 2006, 18 (07) : 1527 - 1554
[5] Distinctive image features from scale-invariant keypoints
Lowe, DG
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 60 (02) : 91 - 110
[6] Modeling the Shape of the Scene: A Holistic Representation of the Spatial Envelope[J] . Aude Oliva,Antonio Torralba.International Journal of Computer Vision . 2001 (3)
[7] Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position[J] . Kunihiko Fukushima.Biological Cybernetics . 1980 (4)
[8] Neural Networks:Tricks of the Trade .2 Montavon G,Muller K R. Springer . 2012
[9] Very deep convolutional networks for large-scale image recognition .2 SIMONYAN K,ZISSERMAN A. http://www.robots.ox.ac.uk:5000/-vgg/publications/2015/Simonyan15/simonyan15.pdf . 2015
[10] Learning and transferring mid-level image representations using convolutional neural networks .2 Oquab M,Bottou L,Laptev I,Sivic J. Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) . 2014

← 1 2 →