CNN论文总结
基于卷积神经网络的深度学习算法与应用研究
N整体框架
5改进方法
CNN在交通标示识别中的应用
(三种方法)
其中CLAHE的效果更好
构建多列深度卷积神经网络(MCDNN)
Adaboost+DNN=MCDNN
3. 本篇论文总结
基于卷积神经网络的交通标识识别研究与应用
四、基于卷积神经网络的目标跟踪算法研究与实现
五、N的字符识别方法研究
六、改进的卷积神经网络模型及其应用研究
1、选用基于稀疏MAXOUT激励函数,解决了激励函数选择困难的问题。(maxout与dropout结合效果最好, Dropout是指在模型训练时随机让网络某些隐含层节点的权重不工作,不工作的那些节点可以暂时认为不是网络结构的一部分,但是它的权重得保留下来(只是暂时不更新而已),因为下次样本输入时它可能又得工作了,可以看出使用Dropout后,虽然训练样本的错误率较高,但是训练样本的错误率降低了,说明Dropout的泛化能力不错,可以防止过拟合)
2、
卷积神经网络的监督学习
稀疏maxout激励函数
利用ReLU函数给maxout函数带来稀疏性。
基于k-means的无监督卷积神经网络
其实差距并不大,而且无监督的正确率要低于监督学习。
七、基于卷积神经网络的场景理解方法研究
cnn论文总结 来自淘豆网m.daumloan.com转载请标明出处.
