基于空洞卷積CNN的快遞logo識(shí)別研究
關(guān)鍵詞：cnn 空洞卷積 swish 快遞logo
摘要：論文主要在空洞卷積后采用Swish激活函數(shù)作為模型的卷積層來(lái)替代傳統(tǒng)的卷積層加池化層。論文針對(duì)6大快遞公司(EMS、順豐、申通、圓通、中通、韻達(dá))的快遞運(yùn)單logo圖標(biāo)進(jìn)行分類識(shí)別。論文設(shè)計(jì)6層網(wǎng)絡(luò)結(jié)構(gòu),包含4層卷積層和1層全鏈接層和1層Softmax回歸層。CNN模型實(shí)現(xiàn)中,以在生活中采集650張快遞logo作為原始數(shù)據(jù),首先對(duì)原圖采用鏡像和裁剪的方式將數(shù)據(jù)增強(qiáng)到48100的數(shù)據(jù)集;在網(wǎng)絡(luò)訓(xùn)練中采用Adam算法來(lái)迭代更新網(wǎng)絡(luò)參數(shù)。網(wǎng)絡(luò)的整體模型基于深度學(xué)習(xí)框架Tensorflow實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果顯示采用空洞卷積及Swish函數(shù)激活后,測(cè)試集的識(shí)別正確率達(dá)到97.6%,相比于傳統(tǒng)卷積提高3.1%。
網(wǎng)絡(luò)新媒體技術(shù)雜志要求:
{1}來(lái)稿為基金資助項(xiàng)目請(qǐng)注明何種基金資助項(xiàng)目或課題（并附編號(hào)）。
{2}如不同意本刊對(duì)采用文稿作相應(yīng)的技術(shù)處理和修改刪節(jié)，請(qǐng)事先申明。
{3}計(jì)量單位:執(zhí)行國(guó)務(wù)院頒布的《中華人民共和國(guó)法定計(jì)量單位》，并以單位符號(hào)表示，具體使用參照中華醫(yī)學(xué)會(huì)雜志社編寫的《法定計(jì)量單位在醫(yī)學(xué)上的應(yīng)用(第3版)》一書。
{4}注釋是對(duì)正文中某一特定內(nèi)容的解釋或補(bǔ)充說(shuō)明，列于當(dāng)頁(yè)腳注，用①②……標(biāo)注。（注意：注釋不是引文的參考文獻(xiàn)，引文引用文獻(xiàn)應(yīng)放在文后參考文獻(xiàn)中）
{5}正文（包括圖表）一律使用國(guó)家法定計(jì)量單位；各種專業(yè)術(shù)語(yǔ)規(guī)范準(zhǔn)確；正文論述條理清晰。
注：因版權(quán)方要求，不能公開全文，如需全文，請(qǐng)咨詢雜志社
