论文部分内容阅读
针对DCNN存在网络复杂度高和梯度消失的问题,设计了一个深度Res Nets模型,该模型通过添加与卷积神经网络各层并行的skip层连接来降低复杂度,并利用长跳转和短跳转混合的模式提高了识别率,采用ImageNet的子集验证模型的有效性,先从ImageNet选出部分图片进行训练,然后将训练好的深度Res Nets模型与其等效的卷积网络的性能进行比较,在21层的深度残差网络上,此模型识别准确度比CNN高出5.5%,训练损失减小9.13%.实验表明,在浅层次神经网络的表现上,改进的Res Nets的准确性