Resumen

El modelo de red profunda en red (DNIN) es una instancia eficiente y una extensión importante de la red neuronal convolucional (CNN) que consiste en alternar capas convolucionales y capas de agrupamiento. En este modelo, se aprovecha un perceptrón multicapa (MLP), una función no lineal, para sustituir el filtro lineal de convolución. El aumento de la profundidad de la DNIN también puede ayudar a mejorar la precisión de la clasificación, mientras que su formación se vuelve más difícil, el tiempo de aprendizaje se vuelve más lento y la precisión se satura y luego se degrada. Este trabajo presenta un nuevo modelo de red residual profunda en red (DrNIN) que representa un modelo más profundo de DNIN. Este modelo representa una arquitectura interesante para implementaciones en chip en FPGAs. De hecho, puede aplicarse a una gran variedad de aplicaciones de reconocimiento de imágenes. Este modelo tiene una arquitectura homogénea y multilongitud con el hiperparámetro "L" ("L" define la longitud del modelo). En este artículo, aplicaremos el marco de aprendizaje residual a DNIN y reformularemos explícitamente las capas convolucionales como funciones de aprendizaje residual para resolver el problema del gradiente de fuga y facilitar y acelerar el proceso de aprendizaje. Proporcionaremos un estudio exhaustivo que demuestre que los modelos de DrNIN pueden ganar precisión a partir de una profundidad significativamente mayor. En el conjunto de datos CIFAR-10, evaluamos los modelos propuestos con una profundidad de hasta L = 5 capas DrMLPconv, 1,66x más profunda que DNIN. Los resultados experimentales demuestran la eficacia del método propuesto y su papel a la hora de dotar al modelo de una mayor capacidad de representación de características y, por tanto, de un mejor rendimiento de reconocimiento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo, capa convolucional, red neuronal convolucional, marco de aprendizaje residual, profundidad de dnin, función de aprendizaje residual, mejor rendimiento de reconocimiento, variedad de imagen, modelo de dnin, aplicación de reconocimiento de imagen
• Keywords:model, convolutional layer, convolutional neural network, residual learning framework, depth of dnin, residual learning function, better recognition performance, variety of image, model of dnin, image recognition application