基于卷积核初始设置的卷积神经网络表格识别研究

由于卷积神经网络强大的特征学习与分类能力在图像识别与分类、目标检测、语义分割等领域得到了广泛地应用,提高卷积神经网络进行深度学习的效率和精度就显得更为重要。在卷积神经网络中,卷积核初始设计对深度学习的迭代效率等有着重要影响。本文以图像表格的识别与分类作为研究对象,提出了以图像表格的若干局部元素为基点,及其像素分布特征与初始化卷积核内参数分布相似的原则,对卷积核的初始化进行自定义设定卷积核参数,在此基础上进行图像表格的卷积神经网络深度学习,并与传统的Normal、Xavier等初始化方法进行了比较实验。实验结果表明,在神经网络学习过程中,本文的参数初始化方法在训练初期对表格识别的分类精度明显较高,总体分类准确率也明显较高。

卷积核初始设置对卷积神经网络表格识别的优化效果研究

由于卷积神经网络强大的特征学习与分类能力在图像识别与分类、目标检测、语义分割等领域得到了广泛地应用,提高卷积神经网络进行深度学习的效率和精度就显得更为重要。在卷积神经网络中,卷积核初始设计对深度学习的迭代效率等有着重要影响。本文以图像表格的识别与分类作为研究对象,提出了以图像表格的若干局部元素为基点,及其像素分布特征与初始化卷积核内参数分布相似的原则,对卷积核的初始化进行自定义设定卷积核参数,在此基础上进行图像表格的卷积神经网络深度学习,并与传统的Normal、Xavier等初始化方法进行了比较实验。实验结果表明,在神经网络学习过程中,本文的参数初始化方法在训练初期对表格识别的分类精度明显较高,总体分类准确率也明显较高。