一种捷径卷积神经网络的级联框架
计算机视觉与模式识别
2017-10-04 v1
摘要
卷积神经网络在图像分类和识别中学习优异特征方面发挥着重要作用，这一点已被广泛接受。然而，传统上它们只允许相邻层连接，限制了多尺度信息的整合。为了进一步提高其性能，我们提出了一种捷径卷积神经网络的级联框架。该框架可以通过捷径连接将多尺度特征级联到直接馈送至输出层的全连接层。我们进行了大量实验，以研究捷径卷积神经网络在许多基准视觉数据集上针对不同任务的性能。这些数据集包括用于性别分类的AR、FERET、FaceScrub、CelebA，用于纹理分类的CUReT，用于数字识别的MNIST，以及用于物体识别的CIFAR-10。实验结果表明，捷径卷积神经网络在这些任务上能够取得比传统网络更好的结果，并且在池化方案、激活函数、优化方法、初始化方式、卷积核数量和卷积核大小的不同设置下具有更高的稳定性。
引用
@article{arxiv.1710.00974,
title = {A concatenating framework of shortcut convolutional neural networks},
author = {Yujian Li and Ting Zhang and Zhaoying Liu and Haihe Hu},
journal= {arXiv preprint arXiv:1710.00974},
year = {2017}
}
备注
17 pages, 5 figures, 15 tables