积分商城

最新搜索： C8051F310 三菱fx3u编程手册 8051 ip S3C2440 STM32Cube高效开发教程 基础篇 萝莉遥控
您现在的位置是：首页 > 技术资料 > 深度卷积神经网络在ImageNet数据库上的分类
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

深度卷积神经网络在ImageNet数据库上的分类

更新时间：2019-11-27 09:37:02 大小：2M 上传用户：xuzhen1查看TA发布的资源 标签：深度卷积神经网络imagenet数据库 下载积分：0分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

我们训练了一个大型的深度卷积神经网络，来将在ImageNet LSVRC-2010 大赛中的120

万张高清图像分为1000 个不同的类别。对测试数据，我们得到了top-1 误差率37.5%，

以及top-5 误差率17.0%，这个效果比之前最顶尖的都要好得多。该神经网络有6000 万

个参数和650,000 个神经元，由五个卷积层，以及某些卷积层后跟着的max-pooling 层，

和三个全连接层，还有排在最后的1000-way 的softmax 层组成。为了使训练速度更快，

我们使用了非饱和的神经元和一个非常高效的GPU 关于卷积运算的工具。为了减少全连

接层的过拟合，我们采用了最新开发的正则化方法，称为“ dropout”，它已被证明是非常

有效的。在ILSVRC-2012 大赛中，我们又输入了该模型的一个变体，并依靠top-5 测试

误差率15.3%取得了胜利，相比较下，次优项的错误率是26.2%。

1 引言

当前物体识别的方法基本上都使用了机器学习方法。为了改善这些方法的性能，我们可

以收集更大的数据集，学习更强有力的模型，并使用更好的技术，以防止过拟合。直到

最近，标记图像的数据集都相当小——大约数万张图像（例如，NORB [16] ，Caltech-101/256

[8, 9] ，以及CIFAR-10/100 [12] ）。简单的识别任务可以用这种规模的数据集解决得相当好，

特别是当它们用标签-保留转换增强了的时候。例如，在MNIST 数字识别任务中当前最

好的误差率（<0.3%）接近于人类的表现[4] 。但是现实环境中的物体表现出相当大的变化，

因此要学习它们以对它们进行识别就必须使用更大的训练集。事实上，小规模图像数据

集的缺陷已被广泛认同（例如， Pinto 等人[21]），但是直到最近，收集有着上百万张图像

的带标签数据集才成为可能。更大型的新数据集包括LabelMe [23]，它由几十万张完全分

割图组成，还有ImageNet [6]，它由多于22,000个种类中超过1500 万张带标签的高分辨

率图像组成。


部分文件列表

文件名 大小
深度卷积神经网络在ImageNet数据库上的分类.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号