不同数据集容量下的卷积神经网络图像识别性能

为探究在无法获取充足图像数据样本的前提下,怎样发挥卷积神经网络图像识别的良好性能,针对训练数据集容量与卷积神经网络图像识别性能的关系进行深入研究。首先阐述了机器学习能够学习的条件,并根据VC Dimension理论推导出数据集容量与卷积神经网络参数量的关系,接着构建DigitNet与Cifar10Net网络模型,然后分别在不同容量的手写数字识别数据集及Cifar10数据集上训练模型并检验相应的训练模型的识别正确率,最后分析了实验结果是否符合推导的训练数据集容量与卷积神经网络参数量之间的关系。实验结果表明:卷积神经网络的图像识别性能与数据集容量之间存在着一定的关系,在满足卷积神经网络对数据集容量的最低要求时,卷积神经网络即可获取良好的图像识别性能。因此在无法获取海量数据集的情况下,采用卷积神经网络解决实际问题时,仅需要模型参数量10倍的训练数据容量为下限即可获取性能良好的网络模型。

Image recognition performance under different data set capacity