适用于具有多分类器的卷积神经网络训练方法
为了提升视条件而定的深度卷积网络(conditional deep learning network,CDLN)的分类准确率,提出一种多分类器联合训练的方法.在训练网络时将多个分类器的输出误差同时进行反向传播,以校正网络权重.以LeNet-5、AlexNet为基础构造神经网络CDLN-L和CDLN-A,以MNIST、CIFAR-100和Pascal Voc数据集为实验样本进行实验,网络的分类准确率均得到提升,最高提升了4.39%.实验表明,提出的联合训练方法能够提升CDLN的分类准确率.
深度学习、卷积神经网络(CNN)、视条件而定的深度卷积网络(CDLN)、多分类器、多分类器联合训练、图像分类、分类准确率
44
TP183(自动化基础理论)
北京市自然科学基金资助项目4162012;国家自然科学基金资助项目61573029
2018-10-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
1291-1296