深度学习中的滤波器尺寸效应分析

随着深度学习在诸多领域的应用，如何改进该技术或如何更有效且在更短时间内开发所用结构，是该领域许多研究者关注的问题。针对此课题已有大量研究，旨在通过改变所用模型中的变量、函数与数据，除获得最佳结果外，还力求减少运算时长与所需处理能力。本研究在使用由固定背景叶片图像组成的 Mendeley 数据集进行叶片分类时，除所确定模型中卷积层的滤波器尺寸外，层数、迭代次数、模型中层数及池化操作等其余变量均保持恒定。考察了 3 种不同滤波器尺寸的卷积层，此外还考察了在递增与递减 2 种不同结构及 3 种不同图像尺寸下获得的许多结果。文献中可见对池化层不同用法、层数增减带来的变化、所用数据尺寸差异以及许多含不同参数函数的使用结果的评估。在利用 CNN 对该确定数据集进行叶片分类时，重点关注了卷积层滤波器尺寸随不同滤波器组合及不同尺寸图像变化而产生的改变。利用数据集与数据复现方法，旨在使滤波器尺寸与图像尺寸的差异更为显著。在使用固定迭代次数、模型与数据集下，观测了不同滤波器尺寸的影响。