基于并行卷积核交叉模块的卷积神经网络设计.docxVIP

?

?

基于并行卷积核交叉模块的卷积神经网络设计

?

?

王新娇曾上游魏书伟

摘?要：针对卷积神经网络结构单一，模块中卷积核使用单一，网络特征提取不充分导致图片分类准确度不够，以及模型大的问题，提出卷积核交叉模块的网络设计。此模块先将输出特征图分成两组，每一组采用不同数量、不同大小的卷积核进行特征提取，然后将分组得到的特征图进行级联操作后再通过1×1的卷积核进行整合。该文设计的卷积神经网络与传统的网络相比，在食物101_food数据集上将识别精度由56.7%提升至72.63%;在交通GTSRB数据集上将识别精度由96.3%提升至98.41%。实验结果表明，该文设计的网络结构性能优越，且网络模型较小。

关键词：卷积神经网络;网络改进;卷积核;图像分类;特征提取;结果分析

中图分类号：TN926?34;TP391.4?????????文献标识码：A??????????文章编号：1004?373X（2020）24?0182?05

Designofconvolutionneuralnetworkbasedonparallelconvolutionkernelcrossmodule

WANGXinjiao，ZENGShangyou，WEIShuwei

（SchoolofElectronicEngineering，GuangxiNormalUniversity，Guilin541004，China）

Abstract：Inallusiontotheproblemsofinsufficientaccuracyofimageclassificationcausedbythesinglestructureofconvolutionneuralnetwork，singleuseofconvolutionkernelinthemoduleandinsufficientextractionofnetworkfeatures，aswellaslargemodelproblem，anetworkdesignofconvolutionkernelcrossmoduleisproposed.Inthismodule，theoutputfeaturemapisdividedintotwogroups，eachgroupusesconvolutionkernelswithdifferentnumberandsizeforthefeatureextraction，andthenthegroupedfeaturemapiscascadedandintegratedthrough1×1convolutionkernels.Incomparisonwiththetraditionalnetwork，therecognitionaccuracybytheconvolutionneuralnetworkdesignedinthispapercanbeimprovedfrom56.7%to72.63%inthefood101_fooddataset，andfrom96.3%to98.41%inthetrafficGTSRBdataset.Theexperimentalresultsshowthatthenetworkstructuredesignedinthispaperhassuperiorperformanceandsmallernetworkmodel.

Keywords：convolutionneuralnetwork;networkimprovement;convolutionkernel;imageclassification;featureextraction;resultanalysis

0?引?言

随着互联网的快速发展和大数据时代的到来，深度学习已经成为当前人工智能领域研究的热点[1]。人工智能的发展是当今世界研究的主流，国家也在强调“互联网”时代，而深度学习在图像识别、语音处理、数据挖掘、自然语言处理以及其他相关领域都取得了很多成果。深度学习是一个复杂的机器学习算法，解决了很多复杂的难题，使得人工智能技术取得了很大进步。

卷积神经网络（ConvolutionalNeuralNetwork，CNN）是深度學习算