《表3 多尺度小卷积核变体网络架构与结果》
同一卷积模块同时并联1×1、3×3、5×5三种感受野大小的卷积核和把5×5的卷积核分解成两个3×3或者分解成两对3×1、1×3的卷积核均有有助于网络模型性能的提升,因而将Lenet2网络中的5×5的卷积核分解成两个3×3的卷积核得到Lenet7网络,将Lenet2中的3×3、5×5分解成非对称的3×1和1×3、5×1和1×5得到Lenet8,进而将Lenet7中的3×3卷积核分解成3×1和1×3得到Lenet9,对应的第一卷积模块可视化特征如图8所示,图中虚线框的感受野同5×5卷积核等效,但比单个5×5卷积核的特征表达能力更强,同时需要学习的参数大幅度降低。图8(d)同时并联使用不同尺寸的卷积核能提取的特征数量更多,而且最后得到的特征层次相对更抽象。网络架构参数和测试结果如表3所示。Lenet9模型使用的多尺度非对称小卷积核得到的特征图噪声最低,分类准确率最高,故并联使用1×1、3×1、1×3非对称的小卷积核的性能最优。
图表编号 | XD0057348400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 王飞、张莹、卲豪、张东波、牟清萍 |
绘制单位 | 湘潭大学信息工程学院、湘潭大学信息工程学院、机器人视觉感知与控制技术国家工程实验室、湘潭大学信息工程学院、湘潭大学信息工程学院、机器人视觉感知与控制技术国家工程实验室、湘潭大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |