计算机工程
計算機工程
계산궤공정
Computer Engineering
2015年
11期
213-217
,共5页
混合结构%深度网络%噪声%稀疏限制%小样本量
混閤結構%深度網絡%譟聲%稀疏限製%小樣本量
혼합결구%심도망락%조성%희소한제%소양본량
hybrid structure%deep network%noise%sparse limit%small sample amount
实际图像识别场景中样本易受噪声的影响,且大量训练样本的获取比较困难.针对上述问题,提出一种基于混合结构的深度学习网络.选择合适稀疏限制算法运用到自动编码器中,将其构造在混合结构的深度学习网络的底层和高层,解决一般自动编码器无法有效降低背景噪声影响的问题.在深度学习网络的中间层插入改进的无向高斯伯努利受限玻尔兹曼机,进行无监督学习得到低层输出的抽象表示.混合结构的深度学习网络利用最高的回归层进行有监督的微调和分类.实验结果表明,与传统的浅层算法和经典深度学习网络相比,该混合结构的深度网络在大、小样本量的训练下均具有较好的抗噪能力.
實際圖像識彆場景中樣本易受譟聲的影響,且大量訓練樣本的穫取比較睏難.針對上述問題,提齣一種基于混閤結構的深度學習網絡.選擇閤適稀疏限製算法運用到自動編碼器中,將其構造在混閤結構的深度學習網絡的底層和高層,解決一般自動編碼器無法有效降低揹景譟聲影響的問題.在深度學習網絡的中間層插入改進的無嚮高斯伯努利受限玻爾玆曼機,進行無鑑督學習得到低層輸齣的抽象錶示.混閤結構的深度學習網絡利用最高的迴歸層進行有鑑督的微調和分類.實驗結果錶明,與傳統的淺層算法和經典深度學習網絡相比,該混閤結構的深度網絡在大、小樣本量的訓練下均具有較好的抗譟能力.
실제도상식별장경중양본역수조성적영향,차대량훈련양본적획취비교곤난.침대상술문제,제출일충기우혼합결구적심도학습망락.선택합괄희소한제산법운용도자동편마기중,장기구조재혼합결구적심도학습망락적저층화고층,해결일반자동편마기무법유효강저배경조성영향적문제.재심도학습망락적중간층삽입개진적무향고사백노리수한파이자만궤,진행무감독학습득도저층수출적추상표시.혼합결구적심도학습망락이용최고적회귀층진행유감독적미조화분류.실험결과표명,여전통적천층산법화경전심도학습망락상비,해혼합결구적심도망락재대、소양본량적훈련하균구유교호적항조능력.
