基于注意力机制的手写体数字识别

作为模式识别的重要分支,手写体数字识别正置于前所未有的热潮之下,卷积神经网络也被广泛应用于相关研究.针对手写体数字识别在训练过程中容易出现梯度爆炸和梯度弥散等现象导致图像识别准确率低的问题,提出了一种嵌入CBAM(Convolutional Block Attention Module)注意力模块的模型,用于手写体数字识别.在卷积神经网络中嵌入CBAM注意力模块,分别从通道和空间维度上筛选出有效特征,抑制无关特征,增强特征的表达能力,提高模型的识别准确率.为进一步提高网络识别准确率,在整个网络架构中充分应用BN(Batch Normalization)算法,加快模型收敛,从而加强模型的抗过拟合能力.在MNIST数据集上进行实验,结果表明,嵌入CBAM注意力模块网络的总体识别准确率达到了99.87％,与一些传统的卷积神经网络模型相比,识别准确率有显著提升.