基于小数据集的改进LeNet图像分类模型研究

论文摘要

将传统卷积神经网络应用于小数据集上,LeNet模型准确率低并且收敛速度慢,VggNet等模型存在过拟合问题.针对小数据集提出一种改进LeNet模型,该模型在LeNet基础上使用ReLU函数替换sigmoid来提高收敛速度,加入1*1卷积增加模型深度并利用其改变维度的特点来提高识别准确率,通过分解卷积和提出改进Dropout方法减少过拟合.结果表明:改进LeNet模型分类自制小龙虾数据集,比LeNet收敛速度快6000步并且准确率提高约15%,比VggNet和ResNet过拟合程度明显减少;将改进LeNet模型推广应用于开源数据集MNIST和Fashion-MNIST上,改进模型也有良好的表现.

论文目录

• 1 改进LeNet模型
•   1.1 加快收敛速度
•   1.2 提高准确率
•   1.3 减少过拟合
•     1.3.1 加入Dropout
•     1.3.2 分解5*5卷积
•   1.4 改进LeNet模型框架
•   1.5 模型的应用
• 2 实验与分析
•   2.1 小龙虾数据集实验
•     2.1.1 改进LeNet模型与各模型对比实验
•       （1）训练时间对比实验
•       （2）准确率对比实验
•       （3）过拟合对比实验
•       （4）收敛速度对比实验
•       （5）GPU占用对比实验
•     2.1.2 环境适应性实验
•       （1）亮度对比实验
•       （2）饱和度对比实验
•       （3）方向对比实验
•       （4）组合对比实验
•   2.2 MNIST数据集实验
•   2.3 Fashion-MNIST数据集实验
• 3 结语

文章来源

类型: 期刊论文

作者: 舒军,杨露,陈义红,杨莉,邓芳

关键词: 小数据集,卷积神经网络,改进

来源: 中南民族大学学报(自然科学版) 2019年04期

年度: 2019

分类: 基础科学,信息科技

专业: 计算机软件及计算机应用

单位: 湖北工业大学太阳能高效利用湖北省协同创新中心,湖北第二师范学院计算机学院

基金: 湖北省科技厅重大专项(2017ACA105)

分类号: TP391.41

页码: 605-612

总页数: 8

文件大小: 1190K

下载量: 184