宋佳霏 宋欣霞 杨贺群 黄若琳

摘 要： 目前用于图像识别的大多数卷积神经网络（CNN）都使用相同的原理构建，即：卷积层、池化层、全连接层。文中使用密集卷积神经网络重新评估了用于图像识别的所有组件，并对池化层不存在的必要性提出了质疑。经过实验，分析发现池化层可以由步幅增加的卷积层代替，却不会降低图像识别的准确率。研究中则在DenseNets上训练提出的由卷积层替代池化层的方法，组成新的卷积神经网络体系结构，并在多个图像分类的数据集（CIFAR-10，SVHN）上产生了先进的性能。本文提出了基于密集卷积神经网络（DenseNets）的全卷积池化算法，提高了图像分类的准确率。最后，在多个经典数据集上进行比较，实验结果验证了全卷积池化算法的高效性。

关键词： 全卷积; 池化算法; DenseNets

文章编号： 2095-2163（2021）03-0066-04 中图分类号：TP391.41 文献标志码：A

【Abstract】Most convolutional neural networks （CNN） currently used for image recognition are constructed using the same principles： convolutional layer， pooling layer， and fully connected layer. The paper re-evaluates all the components used for image recognition using dense convolutional neural networks and questions the need for the pooling layer to not exist. After experiments， it is found that the pooling layer can be replaced by a convolutional layer with an increased stride， but it will not reduce the accuracy of image recognition. The research also trains the proposed convolutional layer instead of the pooling layer on DenseNets to form a new convolutional neural network architecture， and produces advanced performance on multiple image classification data sets （CIFAR-10， SVHN）. This paper proposes a fully convolutional pooling algorithm based on dense convolutional neural networks （DenseNets）， which improves the accuracy of image classification. Finally， compared on multiple classic data sets， the experimental results verify the efficiency of the fully convolutional pooling algorithm.

【Key words】 fully convolutional; pooling algorithm; DenseNets

0 引 言

目前，卷積神经网络（CNNs）在计算机视觉领域占据了主导地位，因其在许多应用中都具有出色的性能，例如图像分类、物体检测和姿态估计。从最初问世以来，对网络体系结构的探索一直是卷积神经网络模型研究的一部分。为了获得更高的图像分类精度，CNN的网络架构变得越来越深，越来越复杂[1-5]。在神经网络结构的文献中，Fahlman等人[6]已经研究了类似于密集网络结构的级联结构。研究中是通过逐层方式训练完全连接的多层感知器。如今，用于进行图像分类的卷积神经网络，组成结构几乎是相同的，包括卷积层、池化层以及全连接层。通常在卷积层、池化层、全连接层之间都会使用激活函数。……