改进的全卷积神经网络在手写数字识别上的应用

摘要：

为了提高手写数字的识别率,论文提出了一种改进的全卷积神经网络手写图像识别方法.首先通过传统的卷积神经网络获取手写数字图像的轮廓特征,其次在模型训练的初始阶段,传统的修正线性单元(RELU)激活函数被指数线性单元(ELU)激活函数所代替,然后应用支持向量机(SVM)分类器替换原始卷积神经网络的多项逻辑回归(Softmax)分类器,并对输出的像素分类结果进行反卷积操作,从而获得分割结果.最后,使用提出的算法在MNIST数据集进行验证,与其他算法比较具有较高的识别精度.

关键词：MNIST数据集、全卷积神经网络、ELU函数、手写识别、识别率

所属期刊栏目：16

分类号：TP391(计算技术、计算机技术)

资助基金：国家级大学生创新训练项目201810709036

在线出版日期：2021-01-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：1-3