论文部分内容阅读
针对传统卷积神经网络在处理图像分类的问题过程中,一般都会使用交替的卷积层和池化层,池化操作能起到减少输出特征图尺寸的作用,而这种操作实际上会丢失一些信息,比如说位置信息,还会破坏卷积层提取的图像特征。注意到空间金字塔匹配考虑了空间信息并采用了多尺度的分块方法,我们利用空间金字塔方法能降低特征图尺寸的特点来取代传统卷积神经网络的池化层,提出基于空间金字塔方法的卷积神经网络,空间金字塔池化通过使用多个不同大小的池化操作保证固定的特征向量输出,从而实现任何尺度的输入。另外,空间金字塔池化还有独立于之前的卷积神经网络的优点。模型在使用了弃权和批规范化两种正则化方法的基础上,最后实验结果表明,在MNIST、CIFAR-10数据集上,基于空间金字塔的卷积神经网络相比传统卷积网络分别提高0.23%和5.08%的准确率,具有更好地识别效果和稳健性。