Caffe 中具有池化 - 反池化层的深度卷积自编码器

本文介绍了在 Caffe 深度学习框架中开发几种深度卷积自编码器模型，并以 MNIST 数据集为例进行了实验评估。我们创建了五种卷积自编码器模型，它们在架构上的区别在于自编码器的编码器和解码器部分是否存在池化和反池化层。结果表明，所开发的模型在降维和无监督聚类任务中提供了非常好的结果，并且当将学习到的内部编码作为监督线性分类器和多层感知机的输入时，分类误差较小。最佳结果由一种模型提供，其编码器部分包含卷积层和池化层，随后是类似的解码器部分，包含反卷积层和反池化层，且在解码器部分未使用开关变量。本文还讨论了在非常流行的 Caffe 深度学习框架中创建深度卷积自编码器的实际细节。我们相信，本文提出的方法和结果可以帮助其他研究人员在未来构建高效的深度神经网络架构。