基于二分支卷积单元的深度卷积神经网络

深度卷积神经网络在图像分类任务中取得了极大的成功。现有的基于简化卷积的卷积神经网络结构能够减少网络参数, 但会丢失部分特征信息, 降低网络性能。为了提高图像分类正确率, 提出一种二分支卷积单元。该卷积单元包含两种类型的滤波器, 分别用于提取包含特征通道内与通道间信息的特征。以此卷积单元代替传统的滤波器, 构建深度卷积神经网络, 称为CTsNet。将该网络应用于图像分类任务, 在CIFAR10、CIFAR100数据库上进行验证实验。结果表明, 二分支卷积单元能够有效提取包含不同信息的特征, 增加特征的多样性, 减少信息损失, 基于二分支卷积单元的CTsNet结构能有效提升图像分类性能。