کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6862883 1439398 2018 6 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A sparsity-based stochastic pooling mechanism for deep convolutional neural networks
ترجمه فارسی عنوان
مکانیزم تلفیقی تصادفی برای شبکه های عصبی کانول های عمیق مبتنی بر اسپاریسی
کلمات کلیدی
یادگیری عمیق، مکانیسم تلفیقی درجه اسپارتی، ارزش ویژگی نماینده، دقت تشخیص،
ترجمه چکیده
یک توزیع احتمالی مبتنی بر اسپارتیست جدید که ترکیبی از مزایای حداکثر توزیع، توزیع متوسط ​​و تلفیق تصادفی است معرفی شده است. جمع بندی پیشنهاد شده برای تعادل مزایا و معایب حداکثر سازی و جمع آوری متوسط ​​با استفاده از درجه اسپارتی فعال سازی و یک تابع کنترل برای به دست آوردن یک ویژگی ویژگی بهینه ارائه شده از مقدار متوسط ​​به حداکثر مقدار یک منطقه جمع شده طراحی شده است. ارزش ویژگی نمایندگی بهینه شده برای تعیین وزن احتمال فعال سازی در توزیع نرمال مورد استفاده قرار می گیرد. جمع آوری پیشنهادی تصادفی تصادفی با مخزن برای فرآیند نمونه گیری تصمیم گیری می کند تا مزایای تلفیق تصادفی را حفظ کند. این جمع بندی پیشنهاد شده در چندین مجموعه داده های استاندارد در چارچوب یادگیری عمیق به مقایسه با روش های مختلف جمع آوری کلاسی ارزیابی شده است. نتایج تجربی نشان می دهد که عملکرد خوب در بهبود دقت تشخیص است. تأثیر تغییرات در پارامتر ویژگی در دقت تشخیص نیز بررسی شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
مکانیزم تلفیقی تصادفی برای شبکه های عصبی کانول های عمیق مبتنی بر اسپاریسی
چکیده انگلیسی
A novel sparsity-based stochastic pooling which integrates the advantages of max-pooling, average-pooling and stochastic pooling is introduced. The proposed pooling is designed to balance the advantages and disadvantages of max-pooling and average-pooling by using the degree of sparsity of activations and a control function to obtain an optimized representative feature value ranging from average value to maximum value of a pooling region. The optimized representative feature value is employed for probability weights assignment of activations in normal distribution. The proposed pooling also adopts weighted random sampling with a reservoir for the sampling process to preserve the advantages of stochastic pooling. This proposed pooling is evaluated on several standard datasets in deep learning framework to compare with various classic pooling methods. Experimental results show that it has good performance on improving recognition accuracy. The influence of changes to the feature parameter on recognition accuracy is also investigated.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neural Networks - Volume 105, September 2018, Pages 340-345
نویسندگان
, , , , , , ,