Improving Convolutional Neural Network Performance Using Alpha-Based Adaptive Pooling for Image Classification

Saubari, Nahdi

doi:10.32604/cmc.2026.077087

Improving Convolutional Neural Network Performance Using Alpha-Based Adaptive Pooling for Image Classification

2026-01-01

0

PRE

AI

DOI：10.32604/cmc.2026.077087

原文链接

原文求助

摘要

En 中文

本研究提出了一种基于alpha（α）参数的自适应池化方法，以提高卷积神经网络（CNN）在图像分类任务中的有效性和稳定性。传统的池化技术，如最大池化和平均池化，在应用于异质分布和复杂度各异的数据集时，往往表现出适应性有限。为解决此限制，所提出的方法引入了一个介于0到1之间的alpha参数，在统一且灵活的框架中持续调节基于最大值和基于平均值的池化操作的贡献。该方法使用两个基准数据集MNIST和CIFAR-10进行评估，分别代表灰度图像和彩色图像分类场景。实验在三个不同深度的CNN家族（LeNet-5、一个更深度的自定义CNN和ResNet-18）上进行，以评估在不同表示能力下的鲁棒性。在最佳alpha设置和4×4池化配置下，自适应池化表现出架构依赖性行为。在LeNet-5上，自适应池化在MNIST上达到87.2%，在CIFAR-10上达到30.1%，而传统池化（最大/平均池化）在MNIST上达到97.8%，在CIFAR-10上达到60.1%（最大池化）/53.9%（平均池化）。相比之下，在更深度的自定义CNN上，自适应池化变得具有竞争力，在MNIST上达到99.7%，在CIFAR-10上达到86.1%，这与传统池化在MNIST上达到的99.6%-99.7%和CIFAR-10上达到的84.5%-86.2%相当。在ResNet-18上，自适应池化在MNIST上达到99.1%，而CIFAR-10性能降至37.2%，相对于默认的全局平均池化基线（MNIST上99.7%，CIFAR-10上89.0%），表明性能也取决于池化替换的应用位置。总体而言，这些发现表明，alpha控制的自适应池化提供了一种轻量级且可配置的池化策略，能够提高稳定性并在更深的CNN中实现有竞争力的精度，尽管它应被视为一种补充机制，而非适用于所有架构的通用替代方案。

Keyword:

Adaptive pooling

alpha parameter

convolutional neural network (CNN)

image classification

MNIST

CIFAR-10

model generalization

Improving Convolutional Neural Network Performance Using Alpha-Based Adaptive Pooling for Image Classification

摘要

期刊

机构

引用论文