收录：
摘要：
本发明涉及一种基于网络增长和逼近论的图像分类方法，属于深度学习领域。使用神经网络对图像分类时，由于网络学习能力和数据集噪声等影响，在图像数据集的样本空间某些区域必然存在误差。本发明从该问题出发，利用逼近论的思想，对每个存在误差的区域使用本发明设计的自适应网络补偿误差，通过增加整体网络规模将样本空间所有误差区域的误差均下降到0。每个增加的自适应网络根据输入图像大小、通道数和样本空间划分数按照预先设计的神经元单元堆叠形成。本方法和逼近论结合，适用于动态变化的数据集，通过网络增长不断学习图像数据集特征，迭代减小分类误差，提高图像数据集分类正确率，减少参数训练次数，加快图像分类速度。
关键词：
通讯作者信息：
电子邮件地址：
