基于快速学习浅层卷积神经网络的图像分类增强
神经与进化计算
2015-08-18 v3 计算机视觉与模式识别
机器学习
摘要
我们提出了一种神经网络架构和训练方法，旨在实现极快的训练速度和低实现复杂度。由于其训练速度极快且可调参数极少，该方法在需要频繁重训练或在线训练的应用中具有强大潜力。该方法的特点在于：(a) 基于受生物启发的视觉处理滤波器的卷积滤波器，(b) 随机值的分类器级输入权重，(c) 使用最小二乘回归以单批次训练分类器输出权重，以及(d) 线性的分类器级输出单元。我们通过将其应用于图像分类来证明该方法的有效性。我们的结果在MNIST (0.37% 错误率) 和 NORB-small (2.2% 错误率) 图像分类数据库上匹配了现有的最先进结果，但相较于标准深度网络方法训练时间极快。该网络在Google Street View House Number (SVHN) (4% 错误率) 数据库上的性能也与最先进方法具有竞争力。
引用
@article{arxiv.1503.04596,
title = {Enhanced Image Classification With a Fast-Learning Shallow Convolutional Neural Network},
author = {Mark D. McDonnell and Tony Vladusich},
journal= {arXiv preprint arXiv:1503.04596},
year = {2015}
}
备注
7 pages, 2 figures, Paper at IJCNN 2015 (International Joint Conference on Neural Networks, 2015)