The invention discloses a handwritten numeral recognition method based on SqueezeNet, which includes: (1) preprocessing handwritten numeral samples for recognition; (2) constructing SqueezeNet convolution neural network model; (3) training SqueezeNet network model and testing handwritten numeral test set samples; (4) obtaining recognition aggregation. Fruit. Compared with traditional AlexNet, the SqueezeNet network model in the present invention effectively reduces the total amount of network parameters, improves the accuracy of handwritten numeral recognition, has the basis of model compression, and can be better applied to mobile devices, distributed training and embedded hardware.
【技术实现步骤摘要】
一种基于SqueezeNet的手写体数字识别方法
本专利技术设计图像识别以及深度学习领域,具体是一种基于SqueezeNet的手写体数字识别方法。
技术介绍
随着深度学习的快速发展,卷积神经网络(CNN)已经被广泛应用于手写数字识别等图像识别领域,并且取得了优良的识别效果。但网络中需要训练的参数数量太大,导致CNN对手写数字的识别精度虽然较高,但所需的训练时间长,在分布式训练上无法得到有效地应用(ForrestN.Iandola等人2016提出了分布式数据并行训练的通信开销与模型中的参数数量成正比),而且难以将模型导入到移动设备上以及在FPGA和一些嵌入式硬件上进行部署,JiantaoQiu等人提出了应该将尽量小的模型存储在小于10M的FPGA上,而不应让存储带宽限制了它的存储。而在2012年提出的AlexNet结构,虽然在ImageNet的识别精度上有了一定的提高,并且网络的泛化能力也得到了一定的增强,同时利用多GPU对网络进行了加速计算,但网络中的参数并没有得到有效地减少,网络模型仍然过大。现如今,数字识别技术已经在我们的生活中得到了广泛应用,如车牌识别、身份证识别、银行票据识别等,并且具备了良好的识别效果,但由于网络参数过多,网络模型过大,网络模型所需的开销仍然较大,且在硬件设备上的应用也受到了很大的限制。所以不仅提高数字识别的精度是一个仍然需要考虑的问题,如何减少其网络模型的参数以及对网络模型进行压缩也值得我们去研究和探讨。
技术实现思路
专利技术目的:为了减少手写体数字识别的网络参数,本专利技术提出了一种基于SqueezeNet的手写体数字识别方法。 ...
【技术保护点】
1.一种基于SqueezeNet的手写体数字识别方法,其特征在于,包括以下步骤:(1.1)预处理识别的手写体数字样本;(1.2)构建并初始化SqueezeNet网络模型;(1.3)利用构建好的SqueezeNet网络模型对手写体数字进行训练以及测试;(1.4)得出识别结果。
【技术特征摘要】
1.一种基于SqueezeNet的手写体数字识别方法,其特征在于,包括以下步骤:(1.1)预处理识别的手写体数字样本;(1.2)构建并初始化SqueezeNet网络模型;(1.3)利用构建好的SqueezeNet网络模型对手写体数字进行训练以及测试;(1.4)得出识别结果。2.根据权利要求1所述的一种基于SqueezeNet的手写体数字识别方法,其特征在于:所述的预处理识别的手写体数字样本,包括以下步骤:(2.1)加载手写体数字的训练集、测试集以及标签值;(2.2)对训练集、测试集进行归一化;(2.3)将一维的样本数据重塑为28*28*1的三维矩阵样本数据。3.根据权利要求1所述的一种基于SqueezeNet的手写体数字识别方法,其特征在于:所述的构建并初始化SqueezeNet卷积神经网络模型,包括以下步骤:(3.1)初始化SqueezeNet的网络参数;(3.2)定义SqueezeNet的网络模型。4.根据权利要求3所述的一种基于SqueezeNet的手写体数字识别方法,其特征在于:所述的初始化SqueezeNet的网络参数,具体操作为:(4.1)设置每次训练在手写体数字训练集中所取的样本个数(batch_size)的大小以及网络训练的轮数(nb_epoch)的次数,每次取batch_size个样本对网络进行训练;(4.2)随机初始化网络的权值和偏置。5.根据权利要求3所述的一种基于SqueezeNet的手写体数字识别方法,其特征在于:所述的定义SqueezeNet网络模型,包括以下步骤:(5.1)两个卷积层定义在网络的第一层和最后一层,第一层为96个1*1大小的卷积核,各层的激活函数为“ReLU”,输入的手写体...
【专利技术属性】
技术研发人员:苗红霞,顾倚榜,齐本胜,贾澜,熊天宇,
申请(专利权)人:河海大学常州校区,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。