关键词：cnn 空洞卷积 swish 快递logo 

摘要：论文主要在空洞卷积后采用Swish激活函数作为模型的卷积层来替代传统的卷积层加池化层。论文针对6大快递公司(EMS、顺丰、申通、圆通、中通、韵达)的快递运单logo图标进行分类识别。论文设计6层网络结构,包含4层卷积层和1层全链接层和1层Softmax回归层。CNN模型实现中,以在生活中采集650张快递logo作为原始数据,首先对原图采用镜像和裁剪的方式将数据增强到48100的数据集;在网络训练中采用Adam算法来迭代更新网络参数。网络的整体模型基于深度学习框架Tensorflow实现。实验结果显示采用空洞卷积及Swish函数激活后,测试集的识别正确率达到97.6%,相比于传统卷积提高3.1%。

网络新媒体技术杂志要求:

{1}来稿为基金资助项目请注明何种基金资助项目或课题（并附编号）。

{2}如不同意本刊对采用文稿作相应的技术处理和修改删节，请事先申明。

{3}计量单位:执行国务院颁布的《中华人民共和国法定计量单位》，并以单位符号表示，具体使用参照中华医学会杂志社编写的《法定计量单位在医学上的应用(第3版)》一书。

{4}注释是对正文中某一特定内容的解释或补充说明，列于当页脚注，用①②……标注。（注意：注释不是引文的参考文献，引文引用文献应放在文后参考文献中）

{5}正文（包括图表）一律使用国家法定计量单位；各种专业术语规范准确；正文论述条理清晰。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社