深度卷积神经网络中的共享特征层设计与优化
张仁冬
叶树林
胡宏升
佛山大学机电工程与自动化学院,广东 佛山 528225
摘要：随着神经网络深度的增加,梯度消失和梯度爆炸问题日益突出,同时,提高特征复用率并降低计算复杂度也成为关键问题.提出了一种基于共享特征层的特征提取网络,并设计了动态迭代更新机制,该机制融合先前所有层与当前层的输出特征,并结合批量通道归一化,以提升特征复用效率.共享特征层与主干网络通过残差连接,实现特征的有效更新,并保持反向传播过程中的梯度稳定.实验结果表明:SFLN-152 在ImageNet数据集上的Top-1 错误率为 19.00%,相较于ResNet-152 和DPN-131,分别降低 11.34%和 5%.在CIFAR-10 和CIFAR-100 数据集上的分类错误率分别为 4.77%和 19.85%.
关键词：特征提取梯度稳定批量通道归一化共享特征层
分类号：TP18(自动化基础理论)
论文发表日期：2025-09-30
在线出版日期：2025-10-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 32-38 )
英文信息