用于目标识别的改进 Inception-残差卷积神经网络
摘要
机器学习和计算机视觉推动了深度卷积神经网络（DCNNs）建模的许多重大进展。如今，多数研究集中于通过更好的 DCNN 模型和学习方法提高识别精度。除少数 DCNN 架构外，循环卷积方法应用不多。另一方面，Inception-v4 和残差网络迅速在计算机视觉界流行。本文中，我们引入一种称为 Inception Recurrent Residual Convolutional Neural Network (IRRCNN) 的新 DCNN 模型，其利用了循环卷积神经网络（RCNN）、Inception 网络和残差网络的能力。该方法在同等网络参数数量下提高了 Inception-残差网络的识别精度。此外，该提出的架构以显著改善的训练精度推广了 Inception 网络、RCNN 和残差网络。我们在不同基准上经验性地评估了 IRRCNN 模型的性能，包括 CIFAR-10、CIFAR-100、TinyImageNet-200 和 CU3D-100。实验结果显示出比大多数流行 DCNN 模型（包括 RCNN）更高的识别精度。我们还研究了 IRRCNN 方法在 CIFAR-100 数据集上相对于 Equivalent Inception Network (EIN) 和 Equivalent Inception Residual Network (EIRN) 对应模型的性能。我们报告在 CIFAR-100 数据集上相较 RCNN、EIN 和 EIRN 分类精度分别提高约 4.53%、4.49% 和 3.56%。此外，在 TinyImageNet-200 和 CU3D-100 数据集上进行了实验，其中 IRRCNN 相较 Inception Recurrent CNN (IRCNN)、EIN 和 EIRN 提供了更好的测试精度。
引用
@article{arxiv.1712.09888,
title = {Improved Inception-Residual Convolutional Neural Network for Object Recognition},
author = {Md Zahangir Alom and Mahmudul Hasan and Chris Yakopcic and Tarek M. Taha and Vijayan K. Asari},
journal= {arXiv preprint arXiv:1712.09888},
year = {2018}
}
备注
17 pages, 15 figures, 4 tables