主成分分析网络(PCANet)是一种简单的深度学习网络模型,在图像识别领域具有很强的应用潜力.本文在PCANet的基础上,通过对PCANet结构进行分析,构造了一种基于多层特征融合的PCANet(PCANet_dense)网络模型.与单纯地只将前一层网络输出作...主成分分析网络(PCANet)是一种简单的深度学习网络模型,在图像识别领域具有很强的应用潜力.本文在PCANet的基础上,通过对PCANet结构进行分析,构造了一种基于多层特征融合的PCANet(PCANet_dense)网络模型.与单纯地只将前一层网络输出作为后一层网络输入的PCANet不同,PCANet_dense利用了不同层的特征信息.在2层网络结构中,它首先将原始图像特征和第1层网络的输出进行级联,然后将级联后的结果作为第2层网络的输入.而在3层网络结构中,它则将第1层和第2层网络的输出级联起来,作为第3层网络的输入.由于PCANet_dense在训练每一层(除了第1层)时使用了更多信息,因此能够获得比原PCANet更好的效果.为了验证所提方法的有效性,本文使用CMU PIE数据集构建网络模型,并在ORL、AR和Extended Yale B 3个公开人脸数据集上对所提出方法的性能进行了测试,实验结果表明,本文提出的PCANet_dense获得了比PCANet更好的性能.展开更多
文摘主成分分析网络(PCANet)是一种简单的深度学习网络模型,在图像识别领域具有很强的应用潜力.本文在PCANet的基础上,通过对PCANet结构进行分析,构造了一种基于多层特征融合的PCANet(PCANet_dense)网络模型.与单纯地只将前一层网络输出作为后一层网络输入的PCANet不同,PCANet_dense利用了不同层的特征信息.在2层网络结构中,它首先将原始图像特征和第1层网络的输出进行级联,然后将级联后的结果作为第2层网络的输入.而在3层网络结构中,它则将第1层和第2层网络的输出级联起来,作为第3层网络的输入.由于PCANet_dense在训练每一层(除了第1层)时使用了更多信息,因此能够获得比原PCANet更好的效果.为了验证所提方法的有效性,本文使用CMU PIE数据集构建网络模型,并在ORL、AR和Extended Yale B 3个公开人脸数据集上对所提出方法的性能进行了测试,实验结果表明,本文提出的PCANet_dense获得了比PCANet更好的性能.
