《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》
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。
图表编号 | XD0057348500 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) |