Resumen

La red neuronal profunda (DNN, por sus siglas en inglés) se ha convertido en un tema de investigación candente en el campo del reconocimiento de imágenes. Desarrollar una solución adecuada para introducir operaciones y capas efectivas en el modelo DNN es de gran importancia para mejorar el rendimiento del reconocimiento de imágenes y videos. Para lograr esto, a través del uso completo de la información de bloques de diferentes tamaños y escalas en la imagen, se diseña en este artículo un modelo de red neuronal convolucional profunda con pooling multiscale. Independientemente del tamaño del mapa de características, la capa de muestreo multiscale producirá tres matrices de caracteres de tamaño fijo. Los resultados experimentales demuestran que este método mejora significativamente el rendimiento de la imagen de entrenamiento individual actual, lo cual es adecuado para resolver la generación de imágenes, migración de estilo, edición de imágenes y otros problemas. Proporciona una solución efectiva para una práctica industrial más avanzada en los campos de imágenes médicas, teledetección e imágenes satelitales.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Red neuronal; Reconocimiento de imágenes; Convolución profunda; Agrupamiento multinivel; Mejora del rendimiento; Práctica industrial
• Keywords:Neural network; Image recognition; Deep convolution; Multiscale pooling; Performance improvement; Industrial practice