|
|
1.
边缘智能背景下的手写数字识别
王建仁, 马鑫, 段刚龙, 薛宏全
计算机应用
2019, 39 (12):
3548-3555.
DOI: 10.11772/j.issn.1001-9081.2019050869
随着边缘智能的快速发展，现有手写数字识别卷积网络模型的发展已越来越不适应边缘部署、算力下降的要求，且存在小样本泛化能力较差和网络训练成本较高等问题。借鉴卷积神经网络（CNN）经典结构、Leaky_ReLU算法、dropout算法和遗传算法及自适应和混合池化思想构建了基于LeNet-DL改进网络的手写数字识别模型，分别在大样本数据集MNIST和小样本真实数据集REAL上与LeNet、LeNet+sigmoid、AlexNet等算法进行对比实验。改进网络的大样本识别精度可达99.34%，性能提升约0.83%；小样本识别精度可达78.89%，性能提升约8.34%。实验结果表明，LeNet-DL网络相较于传统CNN在大样本和小样本数据集上的训练成本更低、性能更优且模型泛化能力更强。
参考文献 |
相关文章 |
多维度评价
|
|
