摘要
高效的卷积神经网络结构建立了前后两层间的连接,实现参数的共享,然而它们参数规模大、计算成本高.该文提出了使用具有稀疏性和密集连接的图来构建网络间各层之间的连接.稀疏性能够减小深度神经网络的计算复杂度,从而提高了网络的效率,良好的连通性可以保证网络结构的数据共享能力.基于扩展图来设计网络结构,设计出来的网络称为Deep-ExpanderNet.与ResNet和DenseNet这一类网络结构相比,该结构提供了更高效的性能.分别在CIFAR-100、MNIST多个数据集进行训练,结果表明,Deep-ExpanderNet有着较强的表现能力,在提高图像识别准确性的同时,降低了网络的参数规模.与修剪技术相比,Deep-ExpanderNet模型具有更强的连通性和更快的训练速度,展示出了更高的网络性能.
国家科技期刊平台
NSTL
维普
万方数据