基于深度大简单神经网络的手写数字识别
本研究使用 GPU 实现卷积神经网络,并利用监督学习的方法进行特征提取,通过设计深度分层结构比以往浅层网络获得更好的性能,在目标分类和手写数字识别任务中取得了目前最佳的结果。
Feb, 2011
本文目的是分析神经网络的隐藏层数对网络性能的影响,为了展示这种影响,我们在 MNIST 数据集上应用了不同层数的神经网络,并观察不同层数和不同迭代次数下 ANN 精度的变化以进行比较和对比。
Sep, 2018
本文旨在分析卷积神经网络隐藏层模式对其整体性能的影响,针对 MNIST 数据集使用不同层数的神经网络测试其准确率变化并进行比较,探究深度学习在模式识别上的应用。
Sep, 2018
NeuroWrite 是一个使用深度神经网络来预测手写数字分类的独特方法,通过融合卷积神经网络(CNNs)和循环神经网络(RNNs),实现了卓越的识别和分类准确度。该方法通过使用先进技术在手写数字数据集上展示了其高分类准确度和强大的推广能力,同时探索了在数字化文件的数字识别、签名验证和自动邮政编码识别等实际应用中的潜力。NeuroWrite 由于其性能和适应性,在计算机视觉和模式识别领域是一个有用的工具。该研究详细介绍了 NeuroWrite 的体系结构、训练过程和评估指标,并说明了它如何改进多种需要手写数字分类的应用。结果表明,NeuroWrite 是一种提升基于深度神经网络的手写数字识别的有前景的方法。
Nov, 2023
使用三个简单的卷积神经网络,通过旋转和平移数据增强方式,实现了 99.91%的 MNIST 测试准确率,并提出了一个高效的集成方案来提高图像分类结果。
Aug, 2020
研究表明,在高维文本数据集上,使用 Expectation BackPropagation (EBP) 算法的 Binary Multilayer Neural Networks (BMNNs) 对二元分类任务具有良好的效果。本研究以 MNIST 数据集为例,探讨了在多类图像分类任务中使用 EBP 算法的 BMNNs 的能力,同时考察了多层二元神经网络和不同数量隐藏单元下的性能,以及在 BMNNs 中使用图像空间过滤器和 dropout 技术的有效性。实验结果表明,与全连接的 MNNs 上使用标准 BackPropagation 算法的结果相仿,EBP 算法可以在二进制权重下获得 2.12%的测试误差和 1.66%的实际权重测试误差。
Mar, 2015
通过对 MNIST、CIFAR-10 和 ImageNet 数据集中的机器学习任务进行实验,我们提出和探究了目标传播和反馈对齐算法的变体,在全连接和局部连接的体系结构下,大部分算法都可以很好的完成 MNIST 数据集的任务。然而,我们发现在面对 CIFAR 和 ImageNet 数据集时,这些算法在局部连接的体系结构下表现不如反向传播算法,因此我们需要新的架构和算法来扩展这些方法。
Jul, 2018