典型文献
卷积神经网络中的自适应加权池化
文献摘要：
针对卷积神经网络池化过程中的空间信息丢失、对重要特征提取不准确等问题,提出自适应加权池化方法.根据池化窗口大小设置一组可训练的权重参数,将权重参数与每个池化窗口中排序后的特征值加权求和得到池化结果,在网络反向传播过程中通过梯度下降对权重参数进行迭代更新,得到最优权重参数.在Fashion-minist、Cifar10(分别使用浅层卷积神经网络和ResNet18网络结构)、Omniglot数据集上使用不同池化方法进行图像分类的验证实验,结果表明自适应加权池化将测试集的分类准确率分别提升了0.21％、0.43％、0.80％和0.66％.自适应加权池化能使神经网络根据任务类型不同自行选择最优池化策略,相较于常规池化方式在图像分类问题上取得了更高精度.
文献关键词：
卷积神经网络;自适应加权池化;图像分类;下采样
中图分类号：
作者姓名：
赵长乐;何利力
作者机构：
浙江理工大学信息学院,浙江杭州310018
文献出处：
引用格式：
[1]赵长乐;何利力-.卷积神经网络中的自适应加权池化)[J].软件导刊,2022(03):83-88
A类：
自适应加权池化,minist
B类：
空间信息,信息丢失,口中,中排,加权求和,反向传播,传播过程,梯度下降,迭代更新,最优权重,Fashion,Cifar10,ResNet18,Omniglot,图像分类,验证实验,测试集,分类准确率,任务类型,池化策略,分类问题,下采样
AB值：
0.266677
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。
