使用简单方法对普通卷积神经网络进行随机优化
计算机视觉与模式识别
2020-01-27 v1 机器学习
摘要
卷积神经网络已在许多视觉模式分类问题中取得最佳可能的准确率。然而，由于捕捉此类表示所需的模型容量，它们往往对过拟合过度敏感，因此需要恰当的正则化以良好泛化。在本文中，我们提出一种协同工作以提升性能的正则化技术组合：我们构建了普通 CNN，随后使用了数据增强、dropout 与定制的早停函数，并在五个著名数据集 MNIST、CIFAR10、CIFAR100、SVHN、STL10 上应用模型对这些技术进行了测试与评估，我们在其中三个数据集（MNIST、SVHN、STL10）上取得了最优结果，并在另外两个数据集上取得了非常高的准确率。
引用
@article{arxiv.2001.08856,
title = {Stochastic Optimization of Plain Convolutional Neural Networks with Simple methods},
author = {Yahia Assiri},
journal= {arXiv preprint arXiv:2001.08856},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1708.04552 by other authors