主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
白琮,黄玲,陈佳楠,潘翔,陈胜勇.面向大规模图像分类的深度卷积神经网络优化.软件学报,2018,29(4):1029-1038
面向大规模图像分类的深度卷积神经网络优化
Optimization of Deep Convolutional Neural Network for Large Scale Image Classification
投稿时间:2017-04-28  修订日期:2017-06-26
DOI:10.13328/j.cnki.jos.005404
中文关键词:  图像分类  哈希编码  深度卷积神经网络  激活函数  池化
英文关键词:image classification  hash coding  deep conventional neural network  activation function  pooling
基金项目:国家自然科学基金(61502424,U1509207,61325019);浙江省自然科学基金(LY15F020028,LY15F020024,LY18F020032)
作者单位E-mail
白琮 浙江工业大学 计算机科学与技术学院, 浙江 杭州 310023 congbai@zjut.edu.cn 
黄玲 浙江工业大学 计算机科学与技术学院, 浙江 杭州 310023  
陈佳楠 浙江工业大学 计算机科学与技术学院, 浙江 杭州 310023  
潘翔 浙江工业大学 计算机科学与技术学院, 浙江 杭州 310023  
陈胜勇 浙江工业大学 计算机科学与技术学院, 浙江 杭州 310023  
摘要点击次数: 936
全文下载次数: 1779
中文摘要:
      在图像分类任务中,为了获得更高的分类精度,需要对图像提取不同层次的特征信息.深度学习被越来越多地应用于大规模图像分类任务中.提出了一种基于深度卷积神经网络的、可应用于大规模图像分类的深度学习框架.该框架在经典的深度卷积神经网络AlexNet基础上,分别从网络框架和网络内部结构两个方面对网络进行了优化和改进,进一步提升了网络的特征表达能力.同时,通过在全连接层引入隐层,使得网络能够同时具备学习图像特征和二值哈希的功能,从而使该框架具有处理大规模图像数据的能力.通过在3个标准数据库中的一系列比对实验,分析了不同优化方法在不同情况下的作用,并证明了所提优化方法的有效性.
英文摘要:
      Features from different levels should be extracted from images for more accurate image classification. Deep learning is used more and more in large scale image classification. This paper proposes a deep learning framework based on deep convolutional neural network that can be applied for the large scale image classification. The proposed framework has modified the framework and the internal structure of the classical deep convolutional neural network AlexNet to improve the feature representation ability of the network. Furthermore, this framework has the ability of learning image features and binary hash simultaneously by introducing the hidden layer in the full-connection layer. The proposal has been validated in showing significance improvement through the serial experiments in three commonly used databases. Lastly, different effects of different optimization methods are analyzed.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利