關鍵詞：cnn 空洞卷積 swish 快遞logo 

摘要：論文主要在空洞卷積后采用Swish激活函數作為模型的卷積層來替代傳統的卷積層加池化層。論文針對6大快遞公司(EMS、順豐、申通、圓通、中通、韻達)的快遞運單logo圖標進行分類識別。論文設計6層網絡結構,包含4層卷積層和1層全鏈接層和1層Softmax回歸層。CNN模型實現中,以在生活中采集650張快遞logo作為原始數據,首先對原圖采用鏡像和裁剪的方式將數據增強到48100的數據集;在網絡訓練中采用Adam算法來迭代更新網絡參數。網絡的整體模型基于深度學習框架Tensorflow實現。實驗結果顯示采用空洞卷積及Swish函數激活后,測試集的識別正確率達到97.6%,相比于傳統卷積提高3.1%。

網絡新媒體技術雜志要求:

{1}來稿為基金資助項目請注明何種基金資助項目或課題（并附編號）。

{2}如不同意本刊對采用文稿作相應的技術處理和修改刪節，請事先申明。

{3}計量單位:執行國務院頒布的《中華人民共和國法定計量單位》，并以單位符號表示，具體使用參照中華醫學會雜志社編寫的《法定計量單位在醫學上的應用(第3版)》一書。

{4}注釋是對正文中某一特定內容的解釋或補充說明，列于當頁腳注，用①②……標注。（注意：注釋不是引文的參考文獻，引文引用文獻應放在文后參考文獻中）

{5}正文（包括圖表）一律使用國家法定計量單位；各種專業術語規范準確；正文論述條理清晰。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社