张林鹏，汪西原,2，李 强

(1.宁夏大学物理与电子电气工程学院,宁夏 银川 750021; 2.宁夏沙漠信息智能感知重点实验室,宁夏 银川 750021)

0 引 言

近年来，卷积神经网络(Convolutional Neural Network, CNN)[1]因其在图像处理中的有效性，被广泛地应用在计算机视觉领域研究中，并极大地提高了在图像分类[2]、目标检测[3]以及图像分割[4]等任务中的精度性能。因此，越来越多的研究者将CNN引入图像处理领域，并且证实了基于深度学习的方法比传统方法更具优越性与鲁棒性[5]。池化操作造成特征信息丢失，卷积神经网络使用较多池化操作是导致特征信息不足的重要原因。针对特征信息不足的问题，孟庆祥等[6]利用池化层将得到的特征图进行过滤，保留重要特征，将提取出来的特征重组以形成高阶语义特征进行图像分类，显著提升了分类精度。张晓丽等[7]通过加权融合方法对图像的不同特征进行加权处理，通过多种特征融合的方式，有效提高了图像分类的简洁性。通过改进卷积神经网络的池化方式，可以达到提高特征提取准确率的目的。刘梦雅等[8]通过获取最大池化和平均池化的乘积，引入了池化因子，提高了卷积神经网络的识别准确率。刘万军等[9]构建了一种动态自适应池化模型，提高了模型的识别准确率和收敛速度，达到了优化模型学习性能的目的。以上方法通过特征选择和融合的方式增强了特征信息，提高了模型的识别准确率，但未能减少因池化过程造成的信息损失。因此，本文针对图像分类过程中信息大量损失的问题，提出一种基于双池化的卷积神经网络结构。……