文献类型：期刊文章

作　　者：江泽涛[1] 秦嘉奇[2] 张少钦[3]

JIANG Ze-tao;QIN Jia-qi;ZHANG Shao-qin(Guangxi Key Laboratory of Image and Graphic Intelligent Processing,Guilin University of Electronic Technology,Guilin,Guangxi 541000,China;Institute of Information Technology of Guet,Guilin,Guangxi 541000,China;Nanchang Hangkong University,Nanchang,Jiangxi 330063,China)

机构地区：[1]桂林电子科技大学广西图像图形与智能处理重点实验室,广西桂林541004 [2]桂林电子科技大学信息科技学院,广西桂林541004 [3]南昌航空大学,江西南昌330063

出　　处：《电子学报》

基　　金：国家自然科学基金(No.61876049,No.61762066);广西科技计划(No.AC16380108);广西图像图形智能处理重点实验项目(No.GIIP201701,No.GIIP201801,No.GIIP201802,No.GIIP201803);广西研究生教育创新计划(No.YCBZ2018052,No.2019YCXS043)。

年　　份：2020

卷　　号：48

期　　号：9

起止页码：1729-1734

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：传统的卷积神经网络使用池化层对信息进行降维操作,通常会造成信息损失,从而影响网络的表达能力.针对这一问题,使用参数池化层(Parameterized Pooling Layer)替代传统卷积神经网络中的池化层,提出参数池化卷积神经网络(Parameterized Pooling CNN,PPCNN).参数池化层在仅仅增加了少量网络参数的情况下,最大可能的保留了卷积神经网络中希望被保留下来的特征;同时,由于增加了池化层前向传播的信息,从而影响了反向传播算法中权值的更新,网络收敛速度更快;实验结果表明,PPCNN模型与传统卷积神经网络模型以及部分改进模型相比,参数池化卷积神经网络模型是有效的.

关 键 词：卷积神经网络 图像分类 池化方法  参数优化

分 类 号：TP391]