基于双池化特征加权结构CNN的图像分类

摘要：

传统的池化方式会造成特征信息丢失,导致卷积神经网络中提取的特征信息不足.为了提高卷积神经网络在图像分类过程中的准确率,优化其学习性能,本文在传统池化方式的基础上提出一种双池化特征加权结构的池化算法,利用最大池化和平均池化2种方式保留更多的有价值的特征信息,并通过遗传算法对模型进行优化.通过训练不同池化方式的卷积神经网络,研究卷积神经网络在不同数据集上的分类准确率和收敛速度.实验在遥感图像数据集NWPU-RE-SISC45和彩色图像数据集Cifar-10上对采用几种池化方式的卷积神经网络分类结果进行对比验证,结果分析表明:双池化特征加权结构使得卷积神经网络的分类准确率有很大程度的提高,同时模型的收敛速度得到进一步提高.

关键词：卷积神经网络;双池化;遗传算法;图像分类

分类号：TP391(计算技术、计算机技术)

在线出版日期：2021-12-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：67-71,88