文献类型：期刊文章

作　　者：杨怀江[1,2] 王二帅[1,3] 隋永新[1,2] 闫丰[1,2] 周跃[1,2]

YANG Huai-jiang;WANG Er-shuai;SUI Yong-xin;YAN Feng;ZHOU Yue(Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Sciences,Changchun 130033,China;Changchun National Extreme Precision Optics Co.,Ltd.,Changchun 130033,China;Daheng College,University of Chinese Academy of Sciences,Beijing 100049,China)

机构地区：[1]中国科学院长春光学精密机械与物理研究所,长春130033 [2]长春国科精密光学技术有限公司,长春130033 [3]中国科学院大学大珩学院,北京100049

出　　处：《吉林大学学报（工学版）》

基　　金：国家重点研发计划项目(2018YFF01011900)。

年　　份：2022

卷　　号：52

期　　号：6

起止页码：1413-1421

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为解决当前深度残差网络模型训练缓慢的问题,设计了一种新型的残差结构。与典型的残差结构相比,该结构仅含有一个Batch Normalization和ReLU模块,通过减少网络训练过程的计算量降低了耗时,提升了模型训练速度。在常用的CIFAR10/100图像分类数据库上进行了对比实验分析,以该方法构建的深度为110层的网络CIFAR10分类错误率为5.29%,CIFAR100分类错误率为24.80%,典型的110层深度残差网络分类错误率分别为5.75%和26.02%;在训练耗时方面,该方法平均周期耗时为133.47 s,典型的残差网络平均周期耗时为208.26 s,提升了35.91%;结果表明,该网络结构在保证分类性能的基础上极大地提升了训练速度,具有较好的实用价值。

关 键 词：图像处理 图像识别 图像分类 卷积神经网络 深度残差网络  

分 类 号：TP183]