首页|面向手写体识别的DCNN抗噪性能研究

面向手写体识别的DCNN抗噪性能研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
深度卷积神经网络(DCNN)是人工智能研究领域前沿方向.DCNN结构复杂、参数非常多、可解释性与鲁棒性不强,对图像数据集的清晰度要求很高,而目前关于DCNN抗噪性能研究还较欠缺.通过给手写体数据集DigitDataset的测试集添加4种不同幅度噪声,深入研究DCNN在手写体识别上的抗噪性能.研究结果表明:①噪声对DCNN性能影响很大,噪声幅度越大,精度下降越快;②指数噪声对精度影响最大,伽马噪声、瑞利噪声次之,高斯白噪声影响最小;③随着噪声参数a和参数b的增大,识别精度大幅度下降.该结果对DCNN的改进和高鲁棒性的深度学习系统(如深度模糊系统等)研究具有一定参考价值.
Research on Anti-noise Performance of DCNN for Handwriting Recognition

蔡际杰、陈德旺、张璜

展开 >

福州大学数学与计算机科学学院

福州大学智慧地铁福建省高校重点实验室,福建福州350108

福州理工学院计算与信息科学学院,福建福州350506

深度卷积神经网络 抗噪性能 手写体识别 鲁棒性 可解释性

国家自然科学基金智慧地铁福建省高校重点实验室建设基金智慧地铁福建省高校重点实验室建设基金

619760555300170350013203

2021

10.11907/rjdk.201780

软件导刊
湖北省信息学会

软件导刊

影响因子：0.524
ISSN：1672-7800
年,卷(期)：2021.20(5)
  • 9