基于SqueezeNet和FractalNet混合模型的图像分类研究
computer engineering & Software（2019）
Abstract
针对传统卷积神经网络(如Lenet5)在图像的多分类任务中识别率不高、较新的卷积神经网络(如VGG16)在图像的多分类任务中待优化的参数达到千万级别的问题.采用将SqueezeNet神经网络与FractalNet神经网络相结合的方法.本文使用SqueezeNet神经网络中的Fire Module来减少模型的参数、FractalNet神经网络的基本架构来保证神经网络模型的准确度.结果显示:在其它超参数基本相同的前提下,迭代40代时,DenseNet模型的测试集准确度为79.92％,而混合模型的测试集准确度为84.56％,其待优化的参数降至二百万个左右,故混合模型对数据的拟合能力更强,模型参数保持较低水平.
MoreAI Read Science
Must-Reading Tree
Example
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined