论文部分内容阅读
深度卷积神经网络模型提取的图像特征抽象程度高、可辨别性强、语义信息丰富，因此它已经在物体分类与识别领域取得了重大突破，其效果远远超过了传统的基于手工特征的模型.但很多深度模型由于层数过多，导致运算复杂度过高，且模型都是向深度发展，顶层特征过于依赖底层变换特征的线性流动，最终特征鲁棒性不强.本文根据经典的Alex-Net模型和人眼视觉原理，提出并设计了一种深度并行交叉Alex-Net模型——PC-Alex-Net.该模型在Alex-Net基础上，通过两条改进后的Alex Net数据变换流，提取两组深度特征；在模型顶端，经过两次混合交叉，得到1024维的特征向量，最后使用Softmax回归对物体进行分类识别.实验结果表明，与同类模型相比，该模型所提取的特征更具判别力，鲁棒性更强，具有更好的分类识别性能；PC-Alex-Net模型不仅能够应用于物体分类与识别，也为其他深度模型的设计提供了一种新的思路.