首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >用于序列数据识别的CNN模型的配置-- CNN平行层顶部的体系结构

问用于序列数据识别的CNN模型的配置-- CNN平行层顶部的体系结构
EN

Stack Overflow用户
提问于 2020-07-02 19:58:02
回答 2查看 94关注 0票数 1

我正在尝试配置一个网络,用于像车牌这样的顺序数据的字符识别。现在我想使用深度自动车牌识别系统(链接:http://www.ee.iisc.ac.in/people/faculty/soma.biswas/Papers/jain_icgvip2016_alpr.pdf)中的表3所示的体系结构。

作者提出的架构是这样的:

​

​

第一层非常常见,但我遇到的问题是架构的顶部(红色框架中的部分)。他们提到了11个并行层,我真的不确定如何在Python中实现这一点。我编写了这个架构的代码,但它似乎并不适合我。

代码语言:javascript
复制
model = Sequential()
model.add(Conv2D(64, kernel_size=(5, 5), input_shape = (32, 96, 3), activation = "relu"))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Conv2D(128, kernel_size=(3, 3), activation = "relu"))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Conv2D(256, kernel_size=(3, 3), activation = "relu"))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(1024, activation = "relu"))
model.add(Dense(11*37, activation="Softmax"))
model.add(keras.layers.Reshape((11, 37)))

有人能帮帮忙吗?我如何对顶部进行编码,才能获得与作者相同的体系结构?

EN

回答 2

Stack Overflow用户

回答已采纳

发布于 2020-07-07 01:59:26

下面的代码可以构建如图所示的架构。

代码语言:javascript
复制
import tensorflow as tf
from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.layers import Conv2D, Flatten, MaxPooling2D, Dense, Input, Reshape, Concatenate, Dropout

def create_model(input_shape = (32, 96, 1)):
    input_img = Input(shape=input_shape)
    '''
    Add the ST Layer here.
    '''
    model = Conv2D(64, kernel_size=(5, 5), input_shape = input_shape, activation = "relu")(input_img)
    model = MaxPooling2D(pool_size=(2, 2))(model)
    model = Dropout(0.25)(model)

    model = Conv2D(128, kernel_size=(3, 3), input_shape = input_shape, activation = "relu")(model)
    model = MaxPooling2D(pool_size=(2, 2))(model)
    model = Dropout(0.25)(model)

    model = Conv2D(256, kernel_size=(3, 3), input_shape = input_shape, activation = "relu")(model)
    model = MaxPooling2D(pool_size=(2, 2))(model)
    model = Dropout(0.25)(model)

    model = Flatten()(model)
    backbone = Dense(1024, activation="relu")(model)

    branches = []
    for i in range(11):
        branches.append(backbone)
        branches[i] = Dense(37, activation = "softmax", name="branch_"+str(i))(branches[i])
    
    output = Concatenate(axis=1)(branches)
    output = Reshape((11, 37))(output)
    model = Model(input_img, output)

    return model

​

​

票数 2
EN

Stack Overflow用户

发布于 2020-07-06 21:06:46

据我所知,您的实现几乎是正确的。作者以完全连接层的输出为输入训练了11个单独的分类器。在这里,你可以把“并行”理解为“独立”。

但是,您不能在完全连接的层之后立即应用Softmax激活。由于所有分类器都是独立的,我们希望每个分类器都为每个可能的字符输出一个概率。换句话说,我们希望每个分类器的输出之和为1。因此,正确的实现应该是:

代码语言:javascript
复制
...
model.add(Dense(1024, activation = "relu"))
# Feeding every neuron with the previous layer's output
model.add(Dense(11*37))
model.add(keras.layers.Reshape((11, 37)))
model.add(keras.activations.softmax(x, axis=1))
票数 1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/62695857

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档