深度卷积神经网络在多类图像分类中的实现
计算机视觉与模式识别
2018-01-08 v1
摘要
卷积神经网络已在诸多复杂机器学习任务中得以实现，如图像分类、目标识别、自动驾驶与机器人视觉任务。然而，ConvNet 架构的效率与精度依赖于大量因素。同时，复杂架构需要大量数据进行训练，并涉及众多超参数，这增加了计算开销与难度。因此，有必要探讨局限性及克服障碍的技术，以确保架构在复杂视觉任务中表现良好。本文旨在为多类图像分类应用开发一种高效的 ConvNet 架构。在架构开发中，大量灰度图像作为输入信息图像，并划分为训练与测试数据集。采用众多可用技术来减轻网络的过拟合与泛化不良。超参数由带高斯过程先验算法的贝叶斯优化确定。在卷积层后采用 ReLu 非线性激活函数。执行最大池化操作以在池化层中对数据点下采样。使用交叉熵损失函数衡量架构性能，分类层中使用 softmax。采用带 Adam 优化器算法的迷你批梯度下降进行反向传播。所开发架构通过混淆矩阵与分类报告进行验证。
引用
@article{arxiv.1801.01397,
title = {Implementation of Deep Convolutional Neural Network in Multi-class Categorical Image Classification},
author = {Pushparaja Murugan},
journal= {arXiv preprint arXiv:1801.01397},
year = {2018}
}
备注
22 Pages. arXiv admin note: substantial text overlap with arXiv:1712.04711