沈 锐，陈亚军

(西华师范大学 计算机学院，四川 南充 637009)

0 引 言

图像分类是指根据图像信息中存在的不同特征，把不同类别的目标进行分类的图像处理方法.[1]卷积神经网络(Convolutional Neural Networks)作为深度学习的一个分支，近几年来发展迅速，受到了越来越多的关注，在大规模图像识别中，研究者们相继提出了AlexNet、[2]ZFNet、[3]ResNet[4]和SENet[5]等模型.与传统的KNN(k-NearestNeighbor)、SVM(Support Vector Machine)和ANN(Artificial Neural Network)模型相比，CNN更善于挖掘数据中深层的、抽象的特征.[6]张婷等[7]参考DeepId思想，提出了跨连卷积神经网络，在性别的分类中表现不错；李勇等[8]使用跨连将池化层的输出与全连接层融合，在表情识别中的效果比传统神经网络好；刘金利等[1]将跨连思想和InceptionV1模块相结合，对多类别的图像识别中效果好于传统LeNet网络，但没有考虑增加网络结构，并将多层特征连接，这样会使得网络结构复杂，增加训练时间，降低网络学习效率.本文针对以上缺点提出LeNet网络改进方法，使用批量归一化、Dropout、全局平均池化等方法简化可训练参数，优化网络结构，在缩短训练时间的同时，保证训练精度稳定提升.

1 LeNet网络结构及相关算法

1.1 LeNet网络结构

LeNet是由Yann LeCun提出的第一个成功应用于手写数字识别的神经网络.但由于受芯片计算能力和数据量的制约，卷积神经网络的运行效率并不如传统方法，因此在当时并未在各个领域流行开来，只用于财务统计、支票收据、财务报表等金融领域的字体识别.直到2012年，在LeNet的基础上改进的Alexnet卷积神经网络的出现，使得卷积神经网络越来越受到各界……