基于深度学习的智能高精度图像识别算法

摘要：

针对高精度训练样本缺失场景下图像识别算法泛化能力差的问题,文中提出一种改进的深度置信网络结构(DBNs).该结构通过在DBN网络中引入随机隐退机制,使得隐含层中的部分单元失效,仅保留其连接权重,防止小样本量训练过程中产生的过拟合现象.为降低引入随机隐退机制后算法的计算复杂度,在该结构中引入基于相邻近算法的降采样机制.采用ORL开放人脸数据集进行仿真实验,结果表明,该机制可以将识别错误率由普通DBN网络的43％降低到5.0％,但计算时间有所增加.对比引入降采样算法后的网络测试结果显示,网络训练时间下降约69.9％;与AlexNet等公开网络的对比测试结果表明,该算法的识别精度可达95.2％,在计算精度与识别效率上均有一定的优越性.

关键词：图像识别、深度学习、随机隐退、图像降采样、仿真实验、网络测试

所属期刊栏目：44

分类号：TN911.73-34;TP311

资助基金：湖北省科技厅项目2019ZYYD007

在线出版日期：2021-03-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：173-176