论文研究-基于多级金字塔卷积神经网络的快速特征表示方法.pdf下载

由于在大尺度图像中卷积滤波的过程速度过慢，导致卷积神经网络（convolutional neural network，CNN）参数调节困难、训练时间过长。针对这一问题，通过对传统卷积神经网络（traditional convolution neural network，TCNN）的改进，提出一种快速有效的多级金字塔卷积神经网络（multi-level pyramid CNN，MLPCNN）。这一网络使用权值共享的方法将低级的滤波权值共享到高级，保证CNN的训练只在较小尺寸的图像块上进行，加快了训练速度。实验表明，在特征维数比较低的情况下，MLPCNN提取到的特征比传统的特征提取方法更加有效，在Caltech101数据库上，MLPCNN识别率达到81.32%，而且训练速度较TCNN提高了约2.5倍。