文献

J-GLOBAL ID：201702226025895568   整理番号：17A0102087

異なるプーリングモデルによる畳込みニューラルネットワークの学習性能の研究【JST・京大機械翻訳】

Learning performance of convolutional neural networks with different pooling models

著者 (3件)： Liu Wanjun (College of Software, Liaoning Technical University) ,  Liang Xuejiian (College of Software, Liaoning Technical University) ,  Qu Haicheng (College of Software, Liaoning Technical University)
資料名： Zhongguo Tuxiang Tuxing Xuebao  (Zhongguo Tuxiang Tuxing Xuebao)
巻： 21  号： 9  ページ： 1178-1190  発行年： 2016年 
JST資料番号： C2782A  ISSN： 1006-8961  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 目的:畳込み神経回路網に基づく深さ学習アルゴリズムは,画像処理の分野で広く注目されている。畳込み神経回路網の特徴抽出の精度を改善し,パラメータ収束速度を加速し,ネットワーク学習性能を最適化するために,学習性能に及ぼす異なるプーリングモデルの影響を比較することによって,動的適応改良改良アルゴリズムを提案した。方法:畳込み神経回路網モデルを構築し、異なるプーリングモデルを用いてネットワークを訓練し、異なる反復回数での学習結果を検証した。既存のアルゴリズムの精度が低く,収束速度が遅い場合には,異なるプーリングモデルを用いてネットワークを訓練することにより,新しい動的適応プーリングモデルを構築し,認識精度と収束速度に対する異なる反復回数の影響を調べた。結果:比較実験により、動的適応プーリングアルゴリズムを用いた畳込みニューラルネットワークの学習性能が最も良く、手書き数字集合における収束速度が最も高く、18.55%を向上させることができ、モデルの画像に対する誤認識率が最大で20%低下することが分かった。結論:動的適応プーリングアルゴリズムは,畳込み神経回路網の特性をより正確に抽出するだけでなく,収束速度とモデルの精度を大いに改善し,ネットワーク学習性能を最適化することができる。このモデルは,畳込みニューラルネットワークに関連する深さ学習アルゴリズムをさらに拡張することができる。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 学習アルゴリズム ,  *ネットワーク ,  *ニューラルネットワーク ,  数字 ,  最適化 ,  *学習 ,  特徴抽出 ,  アルゴリズム ,  神経回路網 ,  *畳込み ,  神経回路網モデル ,  収束速度 ,  *学習性能 ,  改変
準シソーラス用語： 認識精度 ,  動的適応 , 【Automatic Indexing@JST】

著者キーワード (6件)： deep learning ,  convolutional neural network ,  image recognition ,  feature extraction ,  algorithm convergence ,  dynamic adaptive pooling

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： モデル ,  畳込みニューラルネットワーク ,  学習性能 ,  研究