改进LeNet-5网络模型图像分类

摘要：

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％.

关键词：图像分类;卷积神经网络;连续非对称卷积;批量标准化

所属期刊栏目：42

分类号：TP391.9;TP183(计算技术、计算机技术)

资助基金：吉林省科技计划基金资助项目20200201009JC

在线出版日期：2021-12-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：455-461