典型文献
简化型残差结构和快速深度残差网络
文献摘要：
为解决当前深度残差网络模型训练缓慢的问题,设计了一种新型的残差结构.与典型的残差结构相比,该结构仅含有一个Batch Normalization和ReLU模块,通过减少网络训练过程的计算量降低了耗时,提升了模型训练速度.在常用的CIFAR10/100图像分类数据库上进行了对比实验分析,以该方法构建的深度为110层的网络CIFAR10分类错误率为5.29％,CIFAR100分类错误率为24.80％,典型的110层深度残差网络分类错误率分别为5.75％和26.02％;在训练耗时方面,该方法平均周期耗时为133.47 s,典型的残差网络平均周期耗时为208.26 s,提升了 35.91％;结果表明,该网络结构在保证分类性能的基础上极大地提升了训练速度,具有较好的实用价值.
文献关键词：
图像处理;图像识别;图像分类;卷积神经网络;深度残差网络
中图分类号：
作者姓名：
杨怀江;王二帅;隋永新;闫丰;周跃
作者机构：
中国科学院长春光学精密机械与物理研究所,长春130033;长春国科精密光学技术有限公司,长春130033;中国科学院大学大珩学院,北京100049
文献出处：
引用格式：
[1]杨怀江;王二帅;隋永新;闫丰;周跃-.简化型残差结构和快速深度残差网络)[J].吉林大学学报（工学版）,2022(06):1413-1421
A类：
B类：
简化型,残差结构,深度残差网络模型,模型训练,Batch,Normalization,ReLU,网络训练,训练过程,计算量,训练速度,图像分类,分类数据,错误率,CIFAR100,时方,平均周期,分类性能,图像识别
AB值：
0.333229
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
