卷积神经网络中的自适应加权池化

针对卷积神经网络池化过程中的空间信息丢失、对重要特征提取不准确等问题,提出自适应加权池化方法。根据池化窗口大小设置一组可训练的权重参数,将权重参数与每个池化窗口中排序后的特征值加权求和得到池化结果,在网络反向传播过程中通过梯度下降对权重参数进行迭代更新,得到最优权重参数。在Fashion-minist、Cifar10(分别使用浅层卷积神经网络和ResNet18网络结构)、Omniglot数据集上使用不同池化方法进行图像分类的验证实验,结果表明自适应加权池化将测试集的分类准确率分别提升了0.21%、0.43%、0.80%和0.66%。自适应加权池化能使神经网络根据任务类型不同自行选择最优池化策略,相较于常规池化方式在图像分类问题上取得了更高精度。

改进模糊二值模式算法及其在卷积神经网络中的降噪性能

针对传统池化方法未考虑不同像素点信息贡献存在差异的问题,论文设计了融合改进模糊二值模式的加权池化方法,该算法利用模糊隶属度函数计算出各像素点为等价模式的概率,并对应生成合适的权重值,在卷积神经网络的池化阶段,结合输入特征图及权重图,得到其加权池化输出值。利用ORL人脸数据库进行的实验结果表明,在测试图像含有噪声的情况下,论文提出的加权池化算法比传统最大池化法具有更好的降噪能力和人脸识别效果。

基于优化卷积神经网络的表面缺陷检测

卷积神经网络(CNN)具有权值数量少,训练速度快等优点,在图像识别、机器视觉等领域得到广泛应用。本文提出了一种卷积神经网络的自适应加权池化算法,算法通过生成合并通道,并在学习掩模的引导下汇集特征,优化了子采样模型的特征提取,有效改善了网络的识别准确性和快速性。利用该算法对磁片表面缺陷进行检测实验,实验结果表明,本文提出的池化模型使卷积神经网络对特征的提取更加精确,同时提高了收敛速度和鲁棒性,并且可以应用于各种深度神经网络体系结构中。