基于连续非对称卷积结构的手写体数字识别

为了提高手写体数字识别的准确率,设计并提出了一种基于连续非对称卷积结构的手写体数字识别的深度学习算法.以连续非对称卷积结构为基础,结合极限学习机和MSRA初始化设计网络结构.在识别输入图像时,利用CUDA并行计算与Cudnn神经网络GPU加速库对手写体数字识别进行加速.在MNIST手写体数字数据库上进行实验,提出的网络结构识别准确率达到99.62%,单张图像识别速度为0.005 8 s.经实验结果对比表明,该网络结构在识别准确率和识别速度上得到有效提升.

改进LeNet-5网络模型图像分类

将卷积层改为连续非对称卷积以降低特征参数,引入Inception V1模块增加多尺度特征参数。增加批量标准化(Batch Normalization)层、Dropout层,提升网络泛化性、鲁棒性。仿真结果表明,ILIC相比于LeNet-5网络减少部分训练参数,增加了分类准确率且降低了过拟合,在Fashion MNIST数据集上比较不同batch_size大小,得到最佳分类准确率达到92.10%,相同情况下比原LeNet-5网络提高了2.26%。