用于提升图像分类性能的多函数卷积神经网络

传统卷积神经网络（CNN）通常对所有神经元使用相同的激活函数（通常为 ReLU）进行非线性映射操作。例如，深度卷积架构 Inception-v4 使用 ReLU。为提升传统 CNN 的分类性能，一种新颖的“多函数卷积神经网络”（MCNN）通过使用不同激活函数用于不同神经元而构建。对于 $n$ 个神经元和 $m$ 种不同激活函数，共有 $m^n-m$ 个 MCNN 而仅有 $m$ 个传统 CNN。因此，最佳模型极可能从 MCNN 中选出，因为 MCNN 比传统 CNN 多出 $m^n-2m$ 个。为进行性能分析，使用了两个不同数据集用于两个应用（对来自 MNIST 数据库的 handwritten digits 分类，以及将脑 MRI 图像分类为阿尔茨海默病（AD）的四个阶段之一）。对两个应用，均为 MCNN 的每一层随机选择一个激活函数。对于 AD 诊断应用，构建了使用新创建的多函数 Inception-v4 架构的 MCNN。总体而言，仿真表明 MCNN 在两个应用的多类分类准确率上均优于传统 CNN。一项重要的未来研究工作是从 $m^n-m$ 个候选 MCNN 中高效选出最佳 MCNN。当前 CNN 软件仅提供 MCNN 的部分功能，因为不同层可使用不同激活函数，但同一层内单个神经元不可。因此，通过使用多种激活函数修改当前 CNN 软件系统如 ResNets、DenseNets 和 Dual Path Networks，并开发更有效快速的 MCNN 软件系统与工具，将对解决困难的实际图像分类问题非常有用。