Resumen

Las redes neuronales convolucionales (CNN, por sus siglas en inglés) están volviéndose cada vez más populares hoy en día. Las CNN se han convertido en un extractor de características popular aplicado al procesamiento de imágenes, procesamiento de grandes volúmenes de datos, computación en la niebla, etc. Las CNN suelen constar de varias unidades básicas como la unidad convolucional, la unidad de agrupación, la unidad de activación, entre otras. En las CNN, los métodos de agrupación convencionales se refieren al max-pooling y al average-pooling, que se aplican después de las capas convolucionales o ReLU. En este artículo, proponemos un Método de Agrupación Multiactivación (MAP) para hacer que las CNN sean más precisas en tareas de clasificación sin aumentar la profundidad y los parámetros entrenables. Añadimos más capas convolucionales antes de una capa de agrupación y expandimos la región de agrupación a 4x4, 8x8, 16x16 e incluso más grande. Al realizar un submuest

• Materias:Internet de las cosas Dispositivos móviles Ransomware Ingeniería de Telecomunicación Servidores en la nube
• Subjects:Internet of things Mobile devices Ransomware Telecommunication engineering Cloud Servers
• Palabras claves:Redes neuronales convolucionales; CNN; Métodos de agrupación; Método de agrupación multiactivación (MAP); Tareas de clasificación; Conjuntos de datos de referencia
• Keywords:Convolutional neural networks; CNNs; Pooling methods; Multiactivation Pooling (MAP) Method; Classification tasks; Benchmark datasets