《表1 S2与C3的连接方式》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《改进的LeNet-5模型在花卉识别中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

LeNet-5卷积网络模型（如图1所示）不包括输入层，总共有7层，包括：C1卷积层，S2池化层，C3卷积层，S4池化层，C5卷积层，F6全连接层，Output输出层。输入的图像是32×32像素的图像。C1卷积层有6张特征图，其运算方式是每个特征图中的每个单位都与输入图中的5×5像素的区域相连，且每个特征图都通过6个5×5像素大小的卷积核进行卷积操作，从而得到6个28×28像素大小的特征图。S2池化层包括6张特征图，与C1卷积层中的特征图数目相等，该层每张特征图的大小为14×14像素，其运算方式是每个特征图的单元都与C1卷积层中的每个特征图的2×2像素的区域相连。C3卷积层有16张特征图，其运算方式是每个特征图都通过5×5像素的卷积核与S2池化层中的某几个或全部特征图进行卷积操作得到，见表1。S4池化层共有16个5×5像素大小的特征图，其运算方式是该层特征图的每个单元都与C3层每个特征图的2×2像素区域相连。C5卷积层共有120个特征图，每个特征图单元都与S4层所有特征图5×5像素的区域相连，该层的特征图都通过5×5像素的卷积核与S4层的所有特征图进行卷积操作得到，所以该层特征图的大小为1×1像素。F6全连接层共有84个单元，并且F6层与C5层是全连接的。Output输出层采用的是欧式径向基函数（RBF）。