本文为美国密西根大学迪尔本分校（作者：AlfredKishek）的硕士论文，共38页。

通过反向传播训练的卷积神经网络（CNN）是几个赢得竞争的视觉系统核心之一。然而，这些网络通常需要大量带注释的样本、长时间的训练以及对大量超参数的估计和调整。本文评估了CNN作为特征提取工具的有效性，并使用支持向量机（SVM）评估其特征图的可转移性。为了进行比较，从CNN中学习的参数被转移到各种未发送的数据集和任务中。结果表明，在数据量较小的目标任务上，性能显著提高。然而，随着训练样本数量的增加，使用提取特征的性能优势减弱，并且所得分类器具有高方差。

ConvolutionalNeuralNetworks(CNNs)trainedthroughbackpropagationarecentraltoseveral,

转载请注明:http://www.aideyishus.com/lktp/37.html