• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>AI communications >CSFL: A novel unsupervised convolution neural network approach for visual pattern classification
【24h】

CSFL: A novel unsupervised convolution neural network approach for visual pattern classification

机译：CSFL：一种用于视觉模式分类的新颖的无监督卷积神经网络方法

获取原文
获取原文并翻译 | 示例
       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

With the advancement of technology and expansion of broadcasting around the globe has further boost up biometric surveillance systems. Pattern recognition is the key track in this area. Convolution neural network (CNN) as one of the most prevalent deep learning algorithm has gain high reputation in image features extraction. In this paper, we propose few new twists of unsupervised learning i.e. convolution sparse filter learning (CSFL) to obtain rich and discriminative features of an image. The features extracted by CSFL algorithm are used to initialize the first CNN layer, and then these features are further used in feed forward manner by the CNN to learn high level features for classification. The linear regression classifier (softmax classifier) is used to serve as the output layer of CNN for providing the probability of an image class. We present and examine five different architectures of CNN and error function mean square error (MSE). The experimental results on a public dataset showcase the merit of the proposed method.
机译：随着技术的进步和全球广播的扩大，进一步增强了生物识别监视系统。模式识别是该领域的关键。卷积神经网络（CNN）作为最流行的深度学习算法之一在图像特征提取中赢得了很高的声誉。在本文中，我们提出了一些无监督学习的新方法，即卷积稀疏滤波器学习（CSFL），以获取图像的丰富而有区别的特征。 CSFL算法提取的特征用于初始化第一CNN层，然后CNN以前馈方式进一步使用这些特征，以学习用于分类的高级特征。线性回归分类器（softmax分类器）用作CNN的输出层，以提供图像分类的可能性。我们提出并研究了CNN的五种不同架构以及误差函数均方误差（MSE）。在公共数据集上的实验结果证明了该方法的优点。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号