典型文献
随机赋值权重的深度网络具有物体分类能力
文献摘要：
一些文献中报道,即使深度网络的权重参数随机赋值,对应的深度网络仍有一定的分类能力.以AlexNet为模式网络,从3个侧面分析探讨了随机深度网络是否具有图像物体分类能力.首先,将AlexNet的权重随机赋值;然后,对多类不同的图像物体刺激下的神经元响应的表达不相似矩阵(RDM)与原AlexNet的RDM进行了相关性分析,发现这2类RDM具有显著相关性;鉴于深度卷积网络每层的卷积操作为加权求和,且根据中心极限定理,大量随机变量的和近似服从正态分布,进一步分别拟合了在同一输入图像下原AlexNet神经元响应的分布和随机AlexNet神经元响应的分布与高斯分布的拟合优度,并对上述2种优度进行了相关性分析.大量模拟实验表明,对于来自真实世界的样本,对应高斯拟合优度呈现显著相关性.最后,直接利用赋以随机权重的AlexNet输出的高层响应进行K近邻分类,发现其分类精度高于直接对原始彩色图像进行K近邻分类的精度.因此,与文献报道相似,实验结果再次表明随机深度网络的确具备一定的物体分类的能力.
文献关键词：
AlexNet;随机权重;神经元响应;表达不相似矩阵;高斯拟合;相关性分析;K近邻
中图分类号：
作者姓名：
荣梦琪;胡立华;董秋雷;胡占义
作者机构：
中国科学院大学人工智能学院 北京 100049;中国科学院自动化研究所模式识别国家重点实验室 北京 100190;太原科技大学计算机学院 太原 030024;中国科学院脑科学与智能技术卓越创新中心 北京 100190
文献出处：
引用格式：
[1]荣梦琪;胡立华;董秋雷;胡占义-.随机赋值权重的深度网络具有物体分类能力)[J].计算机辅助设计与图形学学报,2022(07):1068-1074
A类：
表达不相似矩阵
B类：
赋值,深度网络,中报,AlexNet,神经元响应,RDM,显著相关性,深度卷积网络,每层,卷积操作,加权求和,中心极限定理,随机变量,服从,正态分布,高斯分布,拟合优度,模拟实验,真实世界,高斯拟合,随机权重,近邻,分类精度,彩色图像
AB值：
0.278926
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。
