【摘要】：卷積自編碼器(Convolutional Auto Encoder,CAE)提取的粗粒度池化特征具有一定范圍內(nèi)旋轉(zhuǎn)和平移的不變性,因而得到廣泛使用.然而,目前CAE仍主要依靠經(jīng)驗調(diào)節(jié)內(nèi)部參數(shù)以獲取滿足要求的粗粒度池化特征.本文將CAE看作一個整體,從概率上分析了影響其表現(xiàn)的具體原因,構(gòu)建了一個通用框架用于調(diào)節(jié)其中的主要參數(shù)以獲取更好的粗粒度特征.首先從概率上權(quán)衡了粗粒度特征在池化層上的判別性與不變性,并在CAE中選擇合適的卷積范圍和白化參數(shù).然后通過分析池化域內(nèi)特征的稀疏度選擇相應(yīng)的池化方法以獲取具有更好可分離性的粗粒度池化特征.在兩個公開數(shù)據(jù)庫(STL-10和CIFAR-10)的實驗結(jié)果表明本文提出的方法可以指導(dǎo)CAE提取到更好的粗粒度池化特征并在多類分類任務(wù)中表現(xiàn)得更好.
[Abstract]:Coarse-grained pool feature extracted by convolution self-encoder (Convolutional Auto Encoder,CAE) has the invariance of rotation and translation in a certain range, so it is widely used. However, at present, CAE still mainly relies on the experience to adjust the internal parameters to obtain the coarse-grained pool characteristics that meet the requirements. In this paper, CAE is regarded as a whole, and the specific reasons that affect its performance are analyzed in terms of probability, and a general framework is constructed to adjust the main parameters in order to obtain better coarse-grained features. In this paper, we first weigh the discrimination and invariance of coarse-grained features on the pool layer from the point of view of probability, and select the appropriate convolution range and whitening parameters in CAE. Then, by analyzing the sparsity of the feature in the pool domain, the corresponding pool method is selected to obtain the coarse-grained pool feature with better separability. Experimental results on two open databases (STL-10 and CIFAR-10) show that the proposed method can guide CAE to extract better coarse-grained pooled features and perform better in multi-class classification tasks.
【作者單位】： 空軍工程大學(xué)防空反導(dǎo)學(xué)院;94691部隊;
【基金】：國家自然科學(xué)基金(No.71501184)
【分類號】：TP181;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊子煜;趙鵬;王大偉;李思昆;;關(guān)鍵循環(huán)到粗粒度可重構(gòu)體系結(jié)構(gòu)的存儲感知映射[J];國防科技大學(xué)學(xué)報;2012年06期

2 黃雅菁;高建華;;基于粗粒度切片度量的重構(gòu)定位方法[J];計算機(jī)工程;2011年11期

3 屈志毅;吳換霞;劉瑜;;粗粒度多尺度屬性約簡啟發(fā)式算法[J];昆明理工大學(xué)學(xué)報(理工版);2007年04期

4 柴玉梅;劉東昊;王黎明;;對象級粗粒度切片方法[J];計算機(jī)工程與設(shè)計;2012年03期

5 宋立國,姜玉憲;CTaiJi——新的粗粒度可配置計算結(jié)構(gòu)研究[J];微電子學(xué)與計算機(jī);2005年09期

6 李常青;唐世渭;李紅燕;;基于關(guān)聯(lián)分析的粗粒度級個性化信息挖掘[J];計算機(jī)科學(xué);2002年01期

7 孟偉,楊耀忠;油藏數(shù)值模擬軟件的粗粒度層并行計算方法[J];計算機(jī)應(yīng)用與軟件;2004年08期

8 徐佳慶;鄔貴明;竇勇;;二維DCT在粗粒度可重構(gòu)處理器上的實現(xiàn)[J];計算機(jī)工程;2008年20期

9 肖建;劉波;梅晨;朱敏;楊軍;劉雷波;魏少軍;;粗粒度部分動態(tài)可重構(gòu)的人臉檢測[J];應(yīng)用科學(xué)學(xué)報;2012年03期

10 王華;EJB環(huán)境下遠(yuǎn)程方法粗粒度調(diào)用的實現(xiàn)[J];計算機(jī)工程與科學(xué);2004年07期

相關(guān)碩士學(xué)位論文 前1條

1 楊小溪;多層次程序周期行為分析[D];復(fù)旦大學(xué);2011年

，

本文編號：2224006