Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Chaotic Feature Selection and Reconstruction in Time Series Prediction Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

An Architecture Design Method of Deep Convolutional Neural Network

verfasst von : Satoshi Suzuki, Hayaru Shouno

Erschienen in: Neural Information Processing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Deep Convolutional Neural Network (DCNN) is a kind of multi layer neural network models. In these years, the DCNN is attracting the attention since it shows the state-of-the-arts performance in the image and speech recognition tasks. However, the design for the architecture of the DCNN has not so much discussed since we have not found effective guideline to construct. In this research, we focus on within-class variance of SVM histogram proposed in our previous work [8]. We try to apply it as a clue for modifying the architecture of a DCNN, and confirm the modified DCNN shows better performance than that of the original one.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Real-Time Action Recognition in Surveillance Videos Using ConvNets
Nächstes Kapitel Investigation of the Efficiency of Unsupervised Learning for Multi-task Classification in Convolutional Neural Network
Literatur
1.
Bishop, C.M.: Pattern Recognition and Machine Learning. Springer, New York (2006)MATH
2.
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., Fei-Fei, L.: ImageNet: a large-scale hierarchical image database. In: CVPR 2009 (2009)
3.
Deng, L., Yu, D., Deep learning: methods and applications. Technical report MSR-TR-2014-21, Microsoft Research, May 2014
4.
Fukushima, K.: Neocognitron: a self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biol. Cybern. 36(4), 193–202 (1980)CrossRefMATH
5.
Krizhevsky, A., Sutskever, I., Hinton, G.E.: ImageNet classification with deep convolutional neural networks. In: Pereira, F., Burges, C.J.C., Bottou, L., Weinberger, K.Q. (eds.) Advances in Neural Information Processing Systems, vol. 25, pp. 1097–1105. Curran Associates Inc. (2012)
6.
LeCun, Y., Boser, B., Denker, J.S., Henderson, D., Howard, R.E., Hubbard, W., Jackel, L.D.: Backpropagation applied to handwritten zip code recognition. Neural Comput. 1(4), 541–551 (1989)CrossRef
7.
Shouno, H.: Recent studies around the neocognitron. In: Ishikawa, M., Doya, K., Miyamoto, H., Yamakawa, T. (eds.) ICONIP 2007, Part I. LNCS, vol. 4984, pp. 1061–1070. Springer, Heidelberg (2008)CrossRef
8.
Shouno, H., Suzuki, S., Kido, S.: A transfer learning method with deep convolutional neural network for diffuse lung disease classification. In: Arik, S., Huang, T., Lai, W.K., Liu, Q. (eds.) ICONIP 2015. LNCS, vol. 9489, pp. 199–207. Springer, Heidelberg (2015). doi:10.​1007/​978-3-319-26532-2_​22 CrossRef
9.
Zeiler, M.D., Fergus, R.: Visualizing and understanding convolutional networks. In: Fleet, D., Pajdla, T., Schiele, B., Tuytelaars, T. (eds.) ECCV 2014, Part I. LNCS, vol. 8689, pp. 818–833. Springer, Heidelberg (2014)
Metadaten
Titel
An Architecture Design Method of Deep Convolutional Neural Network
verfasst von
Satoshi Suzuki
Hayaru Shouno
Copyright-Jahr
2016
Buch
Neural Information Processing

Print ISBN: 978-3-319-46674-3

Electronic ISBN: 978-3-319-46675-0

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-46675-0_59

Premium Partner

    Bildnachweise