10.14079/j.cnki.cn42-1745/tv.2019.03.004
基于转移学习的小样本数据深度学习研究
卷积神经网络的深度学习在图像识别领域取得了巨大的成功,但是训练一个深度学习网络需要大量的数据样本.在实际工作中,很难得到大量的训练样本,在数据集有限的情况下,容易过度拟合.针对这一问题,设计了一种基于转移学习的深度卷积神经网络来解决小样本数据集的问题.采用数据扩充的方法来扩大样本数据集的数量,利用转移学习将训练好的网络(CNN)从大样本数据集中转移到的小样本数据集中进行二次训练,使用全局平均池而不是全连接层来训练网络,并利用Soft max进行分类.该方法解决了深度学习中样本数据集小的问题,提高了操作效率.实验结果表明,该方法对小样本数据集的分类具有较高的识别率.
转移学习、小样本、深度学习
36
TP18(自动化基础理论)
2019-10-10(万方平台首次上网日期,不代表论文的发表时间)
共4页
14-17