模拟初级视觉皮层增强CNN神经网络结构的稳定性
针对卷积网络模型的稳定性能较差,对抗训练方法会使得网络结构过于复杂并占用大量运算资源的问题,提出了一种基于人体视觉神经系统生物特征的卷积神经网络模型改进方法(VVNet).在卷积神经网络的基础上,融合人体视觉的结构特征,在不增加网络层数或保持准确率不变的情况下,提高神经网络面对噪声干扰的稳定性.在数据集Ci-far10上对3种不同神经网络模型(VVNet,VOneNet以及原网络模型)进行测试.实验结果表明,使用VVNet网络模型、VOneNet网络模型和原始的网络模型DenseNet121对四类图像(噪声图像、模糊图像、遮挡图像和饱和曝光图像)的分类准确率进行对比,验证了提出的VVNet网络结构对不同类型图像的分类准确率几乎不变,在使用对抗样本情况下,VVNet网络结构的图像分类准确率提高了约10%.与深度学习网络相比,基于人体视觉系统结构的网络能够在保持准确率的同时有效地提高神经网络的稳定性,并具有可移植性.
计算机视觉、机器学习、图像识别、视觉皮层
31
TP394.1;TH691.9(计算技术、计算机技术)
国家自然科学基金;吉林省科技发展计划重点研发项目;吉林省生态环境厅科研项目;无锡学院引进人才科研启动专项经费资助项目;无锡学院引进人才科研启动专项经费资助项目
2023-09-04（万方平台首次上网日期，不代表论文的发表时间）
共8页
2287-2294
