CN107563430A - 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 - Google Patents
一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 Download PDFInfo
- Publication number
- CN107563430A CN107563430A CN201710748921.XA CN201710748921A CN107563430A CN 107563430 A CN107563430 A CN 107563430A CN 201710748921 A CN201710748921 A CN 201710748921A CN 107563430 A CN107563430 A CN 107563430A
- Authority
- CN
- China
- Prior art keywords
- layer
- mrow
- convolution
- convolutional neural
- feature map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000011176 pooling Methods 0.000 claims description 25
- 238000010219 correlation analysis Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，属于计算机仿真技术领域。本发明首先通过稀疏自动编码器对输入图像进行无监督预训练，得到一组反映原始输入图像特性的卷积核初值集合；然后利用这一组卷积核初值对原始输入图像进行卷积、池化操作；引入灰度关联分析法计算出最后一次池化后的子采样层的特征图与对应的输出结果之间的关联度，设定阈值，去除关联性较小的特征图数据，使得系统可以自动选择对识别结果影响较大的隐藏特征图。本发明可以降低误识率，验证了算法的有效性。
Description
技术领域
本发明涉及一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，属于计算机仿真技术领域。
背景技术
近年来，深度学习的发展使得机器学习取得了很多重要突破。其中，卷积神经网络(CNN)在图像处理等方面的研究成果十分瞩目。它不但可以像人类视觉系统一样逐层提取得到图像的深层特征，提高网络的识别率；而且它提取到的特征具有较强的平移不变性，解决了由于图像变换引起的特征提取不准确的问题。由于存在很多优点，目前卷积神经网络在虹膜识别、人脸识别、图像识别、语音识别等许多方面有着广泛的应用。对于卷积神经网络的优化研究就变得越来越重要。
在前人的研究中，Lee等人使用分层生成模型改进卷积神经网络来处理高维图像，大大提高了准确率；Alex等在处理图像识别问题时，构建了一种大型深层卷积神经网络，经测试发现，识别率得到了明显提高。目前提出的很多改进算法都取得了不错的识别效果，但是对训练数据量的要求仍然较大，如果数据量较小就会导致卷积神经网络前几层得不到充分训练。为了解决这一问题，权值的初始化操作就是一个改进方向。
发明内容
针对现有方法的不足，本发明提供了一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，通过引入了稀疏自动编码器和灰度关联分析法对传统的卷积神经网络进行了优化，提高了系统的识别精度。
本发明的技术方案是：一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，首先通过稀疏自动编码器对输入图像进行无监督预训练，得到一组反映原始输入图像特性的卷积核初值集合；然后利用这一组卷积核初值对原始输入图像进行卷积、池化操作；引入灰度关联分析法计算出最后一次池化后的子采样层的特征图与对应的输出结果之间的关联度，设定阈值，去除关联性较小的特征图数据，使得系统可以自动选择对识别结果影响较大的隐藏特征图。
所述卷积、池化操作能为多次。
所述卷积、池化操作为两次，具体步骤如下：
Step1、导入训练集与测试集，设定CNN的初始网络结构并对网络参数进行初始化；
Step2、利用稀疏自动编码器预训练，得到CNN网络的第一层卷积层所对应的卷积核的初始参数；
Step3、通过式(1)计算得到第一层卷积层的特征图；
其中，为第l+1层第i单元输出的激活值，f函数为激活函数，p为第l+1层的维数，为l层第i单元与l+1层第j单元之间的权值，x(i)为第i个输入，为l+1层第i单元的偏置；
Step4、对第一层卷积层进行池化操作，得到第一层子采样层的特征图；
Step5、重复Step3，对Step4得到的第一层子采样层特征图进行卷积操作，得到第二层卷积层特征图；重复Step4，对第二层卷积层特征图进行池化操作，得到第二层子采样层特征图；
Step6、将第二层子采样层所有的特征图展开成列向量，采用全连接的方式，经过分类器得到每个特征图对应的识别结果；
Step7、提取第二层子采样层的特征图数据，并将每个特征图对应的识别结果作为灰度关联分析法的比较序列，对应的真实标签作为参考序列，计算各特征图与识别结果的关联度，保留关联度大于阈值的特征图，舍弃小于等于阈值的特征图；得到优化后的CNN网络结构；
Step8、在优化后的CNN网络结构下，重复步骤Step2、3、4、5、6，直到算法收敛，或者达到最大迭代次数。
所述激活函数采用的是sigmoid函数。
所述测试集对训练过的网络进行测试，计算出误差率。
本发明的有益效果是：
1、通过稀疏自动编码器对输入图像进行无监督预训练，得到一组能够较好得反映原始输入图像特性的滤波器初值集合。实验数据显示，卷积核初始权值的设定降低了初始均方误差；将这组滤波器集合作为CNN的C1层卷积核，能有效降低网络的误识率。
2、为了更好得确定隐藏特征图的个数，算法引入灰度关联分析法计算出特征图与对应的输出结果之间的关联度，设定阈值，去除关联性较小的特征图数据，使得系统可以自动选择对识别结果影响较大的隐藏特征图，从而对网络结构进行优化，提高系统的识别精度。
附图说明
图1为卷积神经网络结构图；
图2为稀疏自动编码器结构图；
图3为本发明的算法流程图；
图4为稀疏自动编码器训练后的滤波器集合；
图5为灰度关联分析法对特征图进行关联度排序；
图6为三种算法迭代一次后的误识率比较；
图7为MINIST数据集下传统CNN的均方误差图；
图8为MINIST数据集下利用稀疏自动编码器改进后的CNN的均方误差图；
图9为MINIST数据集下基于稀疏自动编码器和灰度关联分析法改进后的CNN的均方误差图。
具体实施方式
下面结合附图和实施例，对本发明作进一步说明，但本发明的内容并不限于所述范围。
实施例1：如图1-9所示，一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，首先通过稀疏自动编码器对输入图像进行无监督预训练，得到一组反映原始输入图像特性的卷积核初值集合；然后利用这一组卷积核初值对原始输入图像进行卷积、池化操作；引入灰度关联分析法计算出最后一次池化后的子采样层的特征图与对应的输出结果之间的关联度，设定阈值，去除关联性较小的特征图数据，使得系统可以自动选择对识别结果影响较大的隐藏特征图。
进一步地，可设置所述卷积、池化操作为多次。
进一步地，可设置所述卷积、池化操作为两次，具体步骤如下：
Step1、导入训练集与测试集，设定CNN的初始网络结构并对网络参数进行初始化；
Step2、利用稀疏自动编码器预训练，得到CNN网络的第一层卷积层所对应的卷积核的初始参数；
Step3、通过式(1)计算得到第一层卷积层的特征图；
其中，为第l+1层第i单元输出的激活值，f函数为激活函数，p为第l+1层的维数，为l层第i单元与l+1层第j单元之间的权值，x(i)为第i个输入，为l+1层第i单元的偏置；
Step4、对第一层卷积层进行池化操作，得到第一层子采样层的特征图；
Step5、重复Step3，对Step4得到的第一层子采样层特征图进行卷积操作，得到第二层卷积层特征图；重复Step4，对第二层卷积层特征图进行池化操作，得到第二层子采样层特征图；
Step6、将第二层子采样层所有的特征图展开成列向量，采用全连接的方式，经过分类器得到每个特征图对应的识别结果；
Step7、提取第二层子采样层的特征图数据，并将每个特征图对应的识别结果作为灰度关联分析法的比较序列，对应的真实标签作为参考序列，计算各特征图与识别结果的关联度，保留关联度大于阈值的特征图，舍弃小于等于阈值的特征图；得到优化后的CNN网络结构；
Step8、在优化后的CNN网络结构下，重复步骤Step2、3、4、5、6，直到算法收敛，或者达到最大迭代次数。
进一步地，可设置所述激活函数采用的是sigmoid函数。
进一步地，可设置所述测试集对训练过的网络进行测试，计算出误差率。
实施例2：如图1-9所示，本发明利用全球手写数字MNIST数据集对改进后的CNN进行训练和测试。共有七万条数据，选取六万条数据进行网络的训练，其余数据进行测试。实验环境为Windows10，算法的实现平台为MATLAB(2012a)。执行步骤如下：
Step1、导入训练集与测试集，设定CNN的初始网络结构并对网络参数进行初始化；试验中设置的CNN结构与参数如下：网络结构为两个卷积层和两个子采样层交替连接；C1层的隐藏特征图个数为6,C3层的隐藏特征图个数初始值为24，下采样层的特征图个数与对应的卷积层一致；卷积核尺寸为5*5，子采样层的池化模型为2*2；C1层卷积核初始化为稀疏自动编码器学习得到的滤波器集合，每层的偏置均初始化为0，其它权值初始值为任意值。
Step2、利用稀疏自动编码器预训练，得到CNN网络的第一层卷积层所对应的卷积核的初始参数；本次试验的C1层设置了六个隐藏特征图，所以在稀疏自动编码器进行预训练的时候，设置的中间层节点数为6。为了使训练结果更形象得展示出来，试验对训练结果进行了可视化操作，稀疏自动编码器的训练结果如图4所示。由图4可知，稀疏自动编码器训练出了六个5*5大小的滤波器，提取出了能够较好反映原始输入图像特征的卷积核。
Step3、通过式(1)计算得到C1层的特征图；
其中，为第l+1层第i单元输出的激活值，f函数为激活函数，p为第l+1层的维数，为l层第i单元与l+1层第j单元之间的权值，x(i)为第i个输入，为l+1层第i单元的偏置；l表示层数(本例中：第一层为输入层，第二层为第一层卷积层，第三层为第一层子采样曾，第四层为第二层卷积层，第五层为第二层子采样层，第六层为输出层，此步骤中l＝1)
Step4、对C1进行池化操作，得到S2层的特征图；
Step5、重复Step3(此时l取值更新为3)，对Step4得到的S2层特征图进行卷积操作，得到C3层特征图。重复Step4，对C3层特征图进行池化操作，得到S4层特征图
Step6、将S4层所有的特征图展开成列向量，采用全连接的方式，经过分类器得到每个特征图对应的识别结果；
Step7、提取S4层的特征图数据，并将每个特征图对应的识别结果作为灰度关联分析法的比较序列，对应的真实标签作为参考序列，计算各特征图与识别结果的关联度，保留关联度大于阈值的特征图，舍弃小于等于阈值的特征图；得到优化后的CNN网络结构；根据计算出的关联度对特征图排序的结果如图5所示(阈值为4×10-5)。GRA完成关联度排序后，会选择大于关联度阈值的特征图进行训练。
Step8、在优化后的CNN网络结构下，重复步骤Step2、3、4、5、6，直到算法收敛，或者达到最大迭代次数。
Step9、利用测试集对训练过的网络进行测试，计算出误差率。传统的CNN、预处理后的CNN以及基于GRA的改进CNN分别迭代一次后测试出的误识率如图6所示。由图6可知，对传统的卷积神经网络进行无监督预训练后，误识率降低了大约2％；再结合GRA对网络进行优化(即本发明方法)，误识率又降低了1.2个百分点左右。所以，本文提出的改进算法在提高误识率方面确实有效果。
除此之外，试验过程中MATLAB绘出的均方误差图还说明随着预训练和GRA的引入，CNN的初始均方误差逐渐减小，由传统CNN的1.7到预训练CNN的1.3再到基于GRA改进的CNN的1.18。均方误差的下降趋势也得到了改善，从图6可以很直观的发现，改进后的算法均方误差下降迅速，收敛速度也有所提高。图7描述的训练过程明显可见，在批次200到600之间出现了一个平台期，这段时间均方误差的下降趋势大大减缓；图8在批次200到400之间时均方误差的下降趋势也出现了减缓现象，但较图7已经有了改进；图9的训练过程这一现象已经基本消失。
本发明的工作原理是：
卷积神经网络是一种深层神经网络，一般来说，它的基本结构包括五层，分别是输入层、卷积层、子采样层、全连接层和输出层。每层由多个二维平面构成，每个平面又由多个神经元构成。基本结构如图1所示。
原始输入图像首先经过卷积层，与卷积核进行卷积操作，得到一组卷积层特征图集合，卷积操作可以提取出输入特征图的多个特征。这些特征被提取后，它们彼此间的位置关系就不会发生变化，所以卷积神经网络模型具有平移不变性。接着，这些特征图再与子采样层的池化模型进行池化操作，对特征图进行二次特征提取。池化操作可以降低输入特征图的数据量，还可以避免出现过度训练现象。最后，把最后一层子采样特征图全部展开，重组成一个一维列向量(全连接层)，该一维列向量和输出层采用全连接的方式连接。
卷积神经网络通过输入特征图的感受域与卷积核进行卷积提取局部特征，和全连接方式相比，使得网络的参数大幅减少。计算时，多个卷积核分别对图像的不同感受域进行卷积提取出多个特征图(每个卷积核卷积得到一幅与之对应的特征图)，此时，卷积核参数对所有的感受域而言都是不变的，所以大大减少了训练参数，提升了网络的学习性能。但卷积神经网络在训练过程中仍有许多环节需要优化。如果训练数据量不充足，CNN前几层网络的参数就不会得到较好得训练；而如果选用特别多训练数据又会造成网络训练速度缓慢，所以在适当数据量的情况下，如何训练出较优的网络前层参数很重要。
针对上述问题，本发明采用稀疏自动编码器对初始特征图进行无监督预训练，得到一组能很好反映初始特征图特征的滤波器集合。将这组滤波器集合作为CNN的C1层卷积核，能有效降低网络的误识率。
卷积神经网络特征图的个数对网络的结构和识别效果均有很大的影响，很多情况下都是依靠开发者的经验选择。本申请采用灰度关联分析法对卷积神经网络的结构进行优化，以此确定卷积神经网络特征图的个数。
灰度关联分析法(Grey Relational Analysis,GRA)是著名学者邓聚龙首创的灰色系统理论中的经典方法。GRA的基本思想是量化特征图的几何状态，再计算出参考序列和比较序列之间的关联度。关联度较大时，比较序列的几何发展情况与参考序列更为接近。GRA能够挖掘系统内部的关联度，计算量也比较小，能比较方便地应用到神经网络结构的优化中。
本申请使用的CNN网络结构由两个卷积层和两个子采样层组成。卷积层经过池化操作得到子采样层的特征图，所以它们的个数相等。因此，只需要确定子采样层的特征图个数。如，实施例2给出的试验中，仅对S4层的特征图个数进行优化。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，其特征在于：首先通过稀疏自动编码器对输入图像进行无监督预训练，得到一组反映原始输入图像特性的卷积核初值集合；然后利用这一组卷积核初值对原始输入图像进行卷积、池化操作；引入灰度关联分析法计算出最后一次池化后的子采样层的特征图与对应的输出结果之间的关联度，设定阈值，去除关联性较小的特征图数据，使得系统可以自动选择对识别结果影响较大的隐藏特征图。
2.根据权利要求1所述的基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，其特征在于：所述卷积、池化操作能为多次。
3.根据权利要求2所述的基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，其特征在于：所述卷积、池化操作为两次，具体步骤如下：
Step1、导入训练集与测试集，设定CNN的初始网络结构并对网络参数进行初始化；
Step2、利用稀疏自动编码器预训练，得到CNN网络的第一层卷积层所对应的卷积核的初始参数；
Step3、通过式(1)计算得到第一层卷积层的特征图；
<mrow>
<msubsup>
<mi>a</mi>
<mrow>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mrow>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，为第l+1层第i单元输出的激活值，f函数为激活函数，p为第l+1层的维数，为l层第i单元与l+1层第j单元之间的权值，x(i)为第i个输入，为l+1层第i单元的偏置；
Step4、对第一层卷积层进行池化操作，得到第一层子采样层的特征图；
Step5、重复Step3，对Step4得到的第一层子采样层特征图进行卷积操作，得到第二层卷积层特征图；重复Step4，对第二层卷积层特征图进行池化操作，得到第二层子采样层特征图；
Step6、将第二层子采样层所有的特征图展开成列向量，采用全连接的方式，经过分类器得到每个特征图对应的识别结果；
Step7、提取第二层子采样层的特征图数据，并将每个特征图对应的识别结果作为灰度关联分析法的比较序列，对应的真实标签作为参考序列，计算各特征图与识别结果的关联度，保留关联度大于阈值的特征图，舍弃小于等于阈值的特征图；得到优化后的CNN网络结构；
Step8、在优化后的CNN网络结构下，重复步骤Step2、3、4、5、6，直到算法收敛，或者达到最大迭代次数。
4.根据权利要求3所述的基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，其特征在于：所述激活函数采用的是sigmoid函数。
5.根据权利要求3所述的基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，其特征在于：所述测试集对训练过的网络进行测试，计算出误差率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710748921.XA CN107563430A (zh) | 2017-08-28 | 2017-08-28 | 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710748921.XA CN107563430A (zh) | 2017-08-28 | 2017-08-28 | 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107563430A true CN107563430A (zh) | 2018-01-09 |
Family
ID=60977270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710748921.XA Pending CN107563430A (zh) | 2017-08-28 | 2017-08-28 | 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107563430A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002882A (zh) * | 2018-07-03 | 2018-12-14 | 广东工业大学 | 卷积神经网络模型构建方法、系统、装置及可读存储介质 |
| CN109341703A (zh) * | 2018-09-18 | 2019-02-15 | 北京航空航天大学 | 一种全周期采用CNNs特征检测的视觉SLAM算法 |
| CN110046627A (zh) * | 2018-10-16 | 2019-07-23 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
| CN110321777A (zh) * | 2019-04-25 | 2019-10-11 | 重庆理工大学 | 一种基于栈式卷积稀疏去噪自编码器的人脸识别方法 |
| CN110363099A (zh) * | 2019-06-24 | 2019-10-22 | 昆明理工大学 | 一种基于局部并行深度神经网络的表情识别方法 |
| CN111312329A (zh) * | 2020-02-25 | 2020-06-19 | 成都信息工程大学 | 基于深度卷积自动编码器的转录因子结合位点预测的方法 |
| CN112511555A (zh) * | 2020-12-15 | 2021-03-16 | 中国电子科技集团公司第三十研究所 | 基于稀疏表示和卷积神经网络的私有加密协议报文分类法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426919A (zh) * | 2015-11-23 | 2016-03-23 | 河海大学 | 基于显著性指导非监督特征学习的图像分类方法 |
| CN105528638A (zh) * | 2016-01-22 | 2016-04-27 | 沈阳工业大学 | 灰色关联分析法确定卷积神经网络隐层特征图个数的方法 |
| US9355460B1 (en) * | 2015-03-20 | 2016-05-31 | Top Vicotry Investments Ltd. | Motion detection method based on grey relational analysis |
-
2017
- 2017-08-28 CN CN201710748921.XA patent/CN107563430A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9355460B1 (en) * | 2015-03-20 | 2016-05-31 | Top Vicotry Investments Ltd. | Motion detection method based on grey relational analysis |
| CN105426919A (zh) * | 2015-11-23 | 2016-03-23 | 河海大学 | 基于显著性指导非监督特征学习的图像分类方法 |
| CN105528638A (zh) * | 2016-01-22 | 2016-04-27 | 沈阳工业大学 | 灰色关联分析法确定卷积神经网络隐层特征图个数的方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002882A (zh) * | 2018-07-03 | 2018-12-14 | 广东工业大学 | 卷积神经网络模型构建方法、系统、装置及可读存储介质 |
| CN109341703A (zh) * | 2018-09-18 | 2019-02-15 | 北京航空航天大学 | 一种全周期采用CNNs特征检测的视觉SLAM算法 |
| CN110046627A (zh) * | 2018-10-16 | 2019-07-23 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
| CN110046627B (zh) * | 2018-10-16 | 2021-09-10 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
| CN110321777A (zh) * | 2019-04-25 | 2019-10-11 | 重庆理工大学 | 一种基于栈式卷积稀疏去噪自编码器的人脸识别方法 |
| CN110321777B (zh) * | 2019-04-25 | 2023-03-28 | 重庆理工大学 | 一种基于栈式卷积稀疏去噪自编码器的人脸识别方法 |
| CN110363099A (zh) * | 2019-06-24 | 2019-10-22 | 昆明理工大学 | 一种基于局部并行深度神经网络的表情识别方法 |
| CN111312329A (zh) * | 2020-02-25 | 2020-06-19 | 成都信息工程大学 | 基于深度卷积自动编码器的转录因子结合位点预测的方法 |
| CN111312329B (zh) * | 2020-02-25 | 2023-03-24 | 成都信息工程大学 | 基于深度卷积自动编码器的转录因子结合位点预测的方法 |
| CN112511555A (zh) * | 2020-12-15 | 2021-03-16 | 中国电子科技集团公司第三十研究所 | 基于稀疏表示和卷积神经网络的私有加密协议报文分类法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113011499B (zh) | 一种基于双注意力机制的高光谱遥感图像分类方法 | |
| CN107563430A (zh) | 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 | |
| CN111666836B (zh) | M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法 | |
| CN114937151B (zh) | 基于多感受野和注意力特征金字塔的轻量级目标检测方法 | |
| CN113628294B (zh) | 一种面向跨模态通信系统的图像重建方法及装置 | |
| CN109828251B (zh) | 基于特征金字塔轻量卷积神经网络的雷达目标识别方法 | |
| CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
| CN109711426B (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
| CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
| CN109063724A (zh) | 一种增强型生成式对抗网络以及目标样本识别方法 | |
| CN113222011A (zh) | 一种基于原型校正的小样本遥感图像分类方法 | |
| CN113435520A (zh) | 神经网络的训练方法、装置、设备及计算机可读存储介质 | |
| CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
| CN113283524A (zh) | 一种基于对抗攻击的深度神经网络近似模型分析方法 | |
| CN115601583A (zh) | 一种双通道注意力机制的深度卷积网络目标识别方法 | |
| CN110119805A (zh) | 基于回声状态网络分类的卷积神经网络算法 | |
| CN107451617B (zh) | 一种图转导半监督分类方法 | |
| CN118114734A (zh) | 基于稀疏正则化理论的卷积神经网络优化方法及系统 | |
| CN112800882B (zh) | 一种基于加权双流残差网络的口罩人脸姿态分类方法 | |
| CN111914904B (zh) | 一种融合DarkNet与CapsuleNet模型的图像分类方法 | |
| CN117274754A (zh) | 梯度匀质化的点云多任务融合方法 | |
| Ma et al. | Sprouting potato recognition based on deep neural network GoogLeNet | |
| CN109583406B (zh) | 基于特征关注机制的人脸表情识别方法 | |
| CN116758331A (zh) | 物体检测方法、装置及存储介质 | |
| CN111639751A (zh) | 一种用于二值卷积神经网络的非零填补训练方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |