一种用于物体分类与识别的并行交叉Alex-Net模型
深度卷积神经网络模型提取的图像特征抽象程度高、可辨别性强、语义信息丰富,因此它已经在物体分类与识别领域取得了重大突破,其效果远远超过了传统的基于手工特征的模型.但很多深度模型由于层数过多,导致运算复杂度过高,且模型都是向深度发展,顶层特征过于依赖底层变换特征的线性流动,最终特征鲁棒性不强.本文根据经典的Alex-Net模型和人眼视觉原理,提出并设计了一种深度并行交叉Alex-Net模型——PC-Alex-Net.该模型在Alex-Net基础上,通过两条改进后的Alex Net数据变换流,提取两组深度特征;在模型顶端,经过两次混合交叉,得到1024维的特征向量,最后使用Softmax回归对物体进行分类识别.实验结果表明,与同类模型相比,该模型所提取的特征更具判别力,鲁棒性更强,具有更好的分类识别性能;PC-Alex-Net模型不仅能够应用于物体分类与识别,也为其他深度模型的设计提供了一种新的思路.
物体分类 图像识别 Alex-Net模型 鲁棒性
汤鹏杰 王瀚漓 左凌轩
同济大学计算机科学与技术系,上海201804;同济大学嵌入式系统与服务计算教育部重点实验室,上海200092;井冈山大学数理学院,吉安343009 同济大学计算机科学与技术系,上海201804;同济大学嵌入式系统与服务计算教育部重点实验室,上海200092
国内会议
葫芦岛
中文
2-5
2015-09-11（万方平台首次上网日期，不代表论文的发表时间）