基于分组模块的卷积神经网络设计

周悦; 曾上游; 杨远飞; 冯燕燕; 潘兵

Chinese

您当前的位置：

首页 >

文章列表页 >

基于分组模块的卷积神经网络设计

更新时间：2026-09-04

- 基于分组模块的卷积神经网络设计
- Design of Convolutional Network Based on Slice
- 微电子学与计算机 2019年36卷第2期页码：68-72
- 作者机构：
  
  广西师范大学机构电子工程学院,广西,桂林,541004
- 作者简介：
- 基金信息：
  
  国家自然科学基金 11465004
- DOI：
  中图分类号：
- 纸质出版：2019
- 稿件说明：
移动端阅览
周悦, 曾上游, 杨远飞, 冯燕燕, 潘兵. 基于分组模块的卷积神经网络设计[J]. 微电子学与计算机, 2019, 36(2): 68-72.

ZHOU Yue, ZENG Shang-you, YANG Yuan-fei, et al. Design of Convolutional Network Based on Slice[J]. 2019, 36(2): 68-72.
周悦, 曾上游, 杨远飞, 冯燕燕, 潘兵. 基于分组模块的卷积神经网络设计[J]. 微电子学与计算机, 2019, 36(2): 68-72. DOI：

ZHOU Yue, ZENG Shang-you, YANG Yuan-fei, et al. Design of Convolutional Network Based on Slice[J]. 2019, 36(2): 68-72. DOI：

摘要

本文提出了一种基于分组模块的卷积结构

先将输出特征图分成数量相等的两组

每一组采用不同的卷积核进行操作以提取更充分的信息

而后将分组得到的多样性特征图像进行级联

最后通过1*1的卷积核将所有特征图整合.与传统的CNN比较

使用本文模块的网络在数据集Caltech256上将识别率由50.1%提升至52.2%.在数据集101_food上将识别精度由66.3%提升至68.9%.实验结果表明网络在识别精度性能上有所提升.

Abstract

This paper proposes a grouping method of convolution structure for feature extraction of images. The model increases the depth of network

and the network parameters changes smaller. Compared with the traditional CNN

the network using the module of this paper increases the recognition rate from 50.1% to 52.2% on the data set Caltech256. On the data set 101_food

the recognition accuracy increased from 66.3% to 68.9%. Experimental results show that the network structure in the paper improves the network performance.

关键词

Keywords

references

Ioffe S, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift[C]// International Conference on International Conference on Machine Learning. JMLR.org, 2015.

Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in Neural Information Processing Systems. 2012: 1097-1105.

Hinton G E, Salakhutdinov R R. Reducing the Dimensionality of Data with Neural Networks[J]. Science, 2006, 313(5786):504. DOI: 504

Jia Y, Shelhamer E, Donahue J, et al. Caffe: Convolutional Architecture for Fast Feature Embedding[C]// ACM International Conference on Multimedia. ACM, 2014: 675-678.

Lecuny, Bottou L, Bengio Y, et al.Geadient-based learning applied to document recognition[J].Pr Oceeding of the IEEE, 1998, 86(11);2278-2324. DOI: 2278

Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012: 1097-1105.

张顺, 龚怡宏.深度卷积神经网络的发展及其在计算机视觉领域的应用[J].计算机学报, 2017(9).

杨天祺, 黄双喜.改进卷积神经网络在分类与推荐中的实例应用[J].计算机应用研究, 2018, 35(4):974-977. DOI: 974

周飞燕, 金林鹏.卷积神经网络研究综述[J].计算机学报, 2017, 40(6):1229-1251. DOI: 1229

杨远飞, 曾上游.基于并行和切片的深度卷积网络设计研究[J].微电子学与计算机, 2018, 35(3):120-124. DOI: 120

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

结合经度加权的球形感知全景图像显著性预测算法

基于分块子图的CNN推理任务划分与存储调度算法

应用于锂电池SOC估计的PCNN_LSTM硬件加速器设计

基于U-Net网络结构的SAR图像去噪算法研究

轻量级(2+1)D卷积结构的动态手势识别研究