广东工业大学学报 ›› 2017, Vol. 34 ›› Issue (06): 20-26.doi: 10.12052/gdutxb.170093

• 综合研究 • 上一篇    下一篇

卷积网络深度学习算法与实例

陈旭, 张军, 陈文伟, 李硕豪   

  1. 国防科技大学 信息系统与管理学院, 湖南 长沙 410073
  • 收稿日期:2017-04-14 出版日期:2017-11-09 发布日期:2017-11-22
  • 通信作者: 陈文伟(1940-)男,教授,博士生导师,主要方向为决策支持系统、数据仓库和数据挖掘等.E-mail:chenww93@126.com E-mail:chenww93@126.com
  • 作者简介:陈旭(1992-),男,博士研究生,主要研究方向为深度学习和自然场景文字检测.
  • 基金资助:
    国家自然科学基金资助项目(6117019)

Convolutional Neural Network Algorithm and Case

Chen Xu, Zhang Jun, Chen Wen-wei, Li Shuo-hao   

  1. College of Information System and Management, National University of Defense Technology, Changsha 410073, China
  • Received:2017-04-14 Online:2017-11-09 Published:2017-11-22

摘要: 卷积神经网络(CNN)和反向传播神经网络结合组成的深度学习模型,是目前应用比较广泛的深度学习模型,但是具体算法有多种. 本文针对以CNN为主体的深度学习算法的实现技术,包括卷积核设计、池化的作用、激活函数的选取和训练过程等问题进行详细讨论,并结合实例进行说明,便于对卷积网络深度学习算法的掌握,使其能得到更广泛的应用. 最后总结并展望卷积神经网络未来的研究方向.

关键词: 卷积神经网络, 反向传播, 深度学习, 卷积层, 池化层

Abstract: Convolutional neural network (CNN) is a deep learning model with strong expression and classification ability, and is currently widely used, but there are a variety of specific algorithms. In this paper, the realization of deep learning algorithm based on convolutional neural network CNN, including the function of convolution kernel, the role of pooling, the selection of activation function and the training process are discussed. And one example is explained, which facilitates the mastery of CNN. Finally, the future research direction of convolution neural network is summarized and forecasted.

Key words: convolutional neural network, back propagation, deep learning, convolutional layer, pooling layer

中图分类号: 

  • TP391
[1] 谢国波, 林立, 林志毅, 贺笛轩, 文刚. 基于YOLOv4-MP的绝缘子爆裂缺陷检测方法[J]. 广东工业大学学报, 2023, 40(02): 15-21.
[2] 吴俊贤, 何元烈. 基于通道注意力的自监督深度估计方法[J]. 广东工业大学学报, 2023, 40(02): 22-29.
[3] 刘冬宁, 王子奇, 曾艳姣, 文福燕, 王洋. 基于复合编码特征LSTM的基因甲基化位点预测方法[J]. 广东工业大学学报, 2023, 40(01): 1-9.
[4] 徐伟锋, 蔡述庭, 熊晓明. 基于深度特征的单目视觉惯导里程计[J]. 广东工业大学学报, 2023, 40(01): 56-60,76.
[5] 刘洪伟, 林伟振, 温展明, 陈燕君, 易闽琦. 基于MABM的消费者情感倾向识别模型——以电影评论为例[J]. 广东工业大学学报, 2022, 39(06): 1-9.
[6] 章云, 王晓东. 基于受限样本的深度学习综述与思考[J]. 广东工业大学学报, 2022, 39(05): 1-8.
[7] 郑佳碧, 杨振国, 刘文印. 基于细粒度混杂平衡的营销效果评估方法[J]. 广东工业大学学报, 2022, 39(02): 55-61.
[8] Gary Yen, 栗波, 谢胜利. 地球流体动力学模型恢复的长短期记忆网络渐进优化方法[J]. 广东工业大学学报, 2021, 38(06): 1-8.
[9] 黄剑航, 王振友. 基于特征融合的深度学习目标检测算法研究[J]. 广东工业大学学报, 2021, 38(04): 52-58.
[10] 赖峻, 刘震宇, 刘圣海. 基于全局数据混洗的小样本数据预测方法[J]. 广东工业大学学报, 2021, 38(03): 17-21.
[11] 马少鹏, 梁路, 滕少华. 一种轻量级的高光谱遥感图像分类方法[J]. 广东工业大学学报, 2021, 38(03): 29-35.
[12] 夏皓, 蔡念, 王平, 王晗. 基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建[J]. 广东工业大学学报, 2020, 37(06): 26-31.
[13] 岑仕杰, 何元烈, 陈小聪. 结合注意力与无监督深度学习的单目深度估计[J]. 广东工业大学学报, 2020, 37(04): 35-41.
[14] 战荫伟, 朱百万, 杨卓. 车辆颜色和型号识别算法研究与应用[J]. 广东工业大学学报, 2020, 37(04): 9-14.
[15] 曾碧卿, 韩旭丽, 王盛玉, 徐如阳, 周武. 基于双注意力卷积神经网络模型的情感分析研究[J]. 广东工业大学学报, 2019, 36(04): 10-17.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!