王志强，王先传

（1.阜阳工业经济学校，安徽阜阳 236015；2.阜阳师范大学，安徽阜阳 236041）

目前深度学习应用较为广泛［1-2］，其是对人类大脑中的神经网络进行模拟，从而实现对于输入数据（图像、文本等）的处理。因此，随着深度学习的不断发展以及所需处理的数据量的增大，可以看出在进行图像分类及目标识别的应用中，深度学习的应用至关重要，非线性网络变得更加有利，可以从输入数据中得到更多有利信息［3-4］。针对这个情况提出ResNet网络，在网络结构中引入快捷方式使输入同时引入至输出，最终学习输出与输入之间的差值，构成残差结构，使得每一次仅用学习残差的部分，成功解决退化问题，使ResNet网络的应用比较广泛。

1 ResNet网络结构及Boosting工作机制

1.1 ResNet网络结构

ResNet网络［5-6］是在之前的VGG网络结构基础上添加快捷方式，这样每次学习的便仅仅是残差的部分。即每个ResNet网络都由许多残差块堆积而成，其中每一个残差块都由一个神经网络模型和一个快捷方式构成。一个残差块的结构如图1所示。

图1 残差块的结构示意图Fig.1 Structure diagram of residual block

第t层残差块的输出为

其中，x为网络的输入，ft(·)代表第t层的卷积层，gt(x)代表t-1层的最终输出。

1.2 Boosting工作机制

Boosting的工作流程大致为：对初始提供的数据集进行训练，得到一个学习器。根据学习器的结果表现，相应地对数据进行处理，即对于做错的数据，改变它相应的权重，使得其在后续的训练中得到更多的关注。Boosting的工作机制如图2所示。

图2 Boosting的工作机制Fig.2 Working mechanism of Boosting

2 基于Boosting的图像分类算法设……

登录APP查看全文