Método de Reconocimiento de Imagen Basado en un Algoritmo de Red Neuronal Convolucional

Como un algoritmo con un rendimiento excelente, la red neuronal convolucional se ha utilizado ampliamente en el campo del procesamiento de imágenes y ha logrado buenos resultados al depender de sus propios campos receptivos locales, compartición de pesos, agrupamiento y conexiones dispersas. Para mejorar la velocidad de convergencia y la precisión de reconocimiento del algoritmo de la red neuronal convolucional, este artículo propone un nuevo algoritmo de red neuronal convolucional. Primero, se introduce una red neuronal recurrente en la red neuronal convolucional, y se aprenden en paralelo las características profundas de la imagen utilizando la red neuronal convolucional y la red neuronal recurrente. En segundo lugar, de acuerdo con la idea de la capa de convolución salteada de ResNet, se construye un nuevo módulo residual ShortCut3-ResNet. Luego, se establece un modelo de optimización dual para realizar la optimización integrada del proceso de convolución y conexión total. Finalmente, se analizan los efectos de varios parámetros de la red neuronal convolucional sobre el rendimiento de la red a través de experimentos de simulación, y se establecen finalmente los parámetros óptimos de la red de la red neuronal convolucional. Los resultados experimentales muestran que el algoritmo de red neuronal convolucional propuesto en este documento puede aprender las diversas características de la imagen y mejorar la precisión de extracción de características y la capacidad de reconocimiento de imágenes de la red neuronal convolucional.