《表4 MResNet-A各模块卷积核的输出特征图个数及需要学习参数》

  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

《多尺度残差网络模型的研究及其应用》

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

第2节验证了多尺度小卷积模块对Lenet网络性能提升的有效性，然而浅层网络模型对人脸图像的特征表达能力远远不够，但是网络深度的增加会导致网络参数的求解变得困难[28]，残差网络针对此问题，提出将上一层的网络特征直接跨过多层卷积模块映射到下层网络，能有效缓解梯度消失问题。因此首先根据Lenet2的设计思想和原则4) 设计原则，设计了图9（a）的多尺度残差模块，标有Maxout的表示使用Maxout[29]激活函数，未标出的表示使用Re LU激活函数。为了降低特征损失，采用步长为2的卷积核和步长为2的最大池化层对网络进行降维操作，模块如图9（b）所示。图9的n值表示相应卷积核得到的特征图个数。本文将这种网络架构命名为MRes Net-A，其网络模型如图10所示，其中的模块A和模块C的架构如图9（a）和（b）所示，各个模块卷积核输出特征图个数以及每个模块的参数如表4所示，其中ni（i=1，2，…，7）表示图9中相应卷积核的输出特征图的个数，Am（m=1，2，3）表示网络中使用的第m个多尺度残差模块，Cn（n=1，2，3，4）表示网络中使用的第n个降维模块。