李 超，柳 伟

（1.深圳信息职业技术学院 广东省智能视觉工程技术研究中心，广东 深圳518172；2.深圳大学 电子与信息工程学院，广东 深圳 518060）

1 概述

卷积神经网络（Convolutional Neural Network，CNN）作为深度学习方法的重要分支，由于其在图像特征提取上的优势，越来越多的学者将基于CNN的图像特征提取方法引入计算机视觉的下游任务中。CNN通过局部感知和参数共享，不仅有效地利用了图像局部关联性降低计算量，而且便于构建深层的网络结构，通过对大量样本的无监督学习，自动提取更具鉴别性和鲁棒性的特征。而这种强大的特征提取能力大部分依赖于网络中卷积层的设计，卷积层的形式不仅可以在很大程度上决定整个网络的性能；同时它也可以直接影响训练过程的复杂度。因此，如何设计更有效的卷积层以提供更强大的特征表示是CNN网络结构优化研究中的核心问题之一。先前的一些研究试图通过使用人工设计的策略对卷积层的形式进行扩展来生成丰富的特征表示。文献[1]将宽度扩展策略应用于瓶颈结构，与原始的网络相比，它显示出更好的训练稳定性和可靠性。文献[2，3]通过利用特定的稀疏结构扩展了滤波器的形式，进一步增强了卷积层的多尺度表示能力。但是，无论宽度卷积还是通道分组，当网络结构变得越来越复杂时，这些策略往往会限制卷积层通道之间的信息流通并可能获得一定的负增益。

受深度学习和集成学习紧密的相似性的启发，例……