|
|||||
|
|
| 基于SqueezeNet和FractalNet混合模型的图像分类研究 | |
| 作者单位： | ;1.贵州大学;2.贵州大学大数据与信息工程学院 |
| 摘 要： | 针对传统卷积神经网络(如Lenet5)在图像的多分类任务中识别率不高、较新的卷积神经网络(如VGG16)在图像的多分类任务中待优化的参数达到千万级别的问题。采用将SqueezeNet神经网络与FractalNet神经网络相结合的方法。本文使用SqueezeNet神经网络中的FireModule来减少模型的参数、FractalNet神经网络的基本架构来保证神经网络模型的准确度。结果显示:在其它超参数基本相同的前提下,迭代40代时,DenseNet模型的测试集准确度为79.92%,而混合模型的测试集准确度为84.56%,其待优化的参数降至二百万个左右,故混合模型对数据的拟合能力更强,模型参数保持较低水平。 |
| 关 键 词： | SqueezeNet FractalNet DenseNet 图像分类 混合模型 卷积神经网络 |
Image Classification Based on SqueezeNet and FractalNet Hybrid Model |
|
| Abstract: | |
| Keywords: | |
