【摘要】：精細(xì)圖像分類不同于傳統(tǒng)的圖像分類,由于精細(xì)圖像自身的類間相似性和類內(nèi)差異性,傳統(tǒng)的基于手工特征和局部特征組合方法已經(jīng)很難完整地表達(dá)精細(xì)圖像的特征,因此提出了一種基于改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)模型.由于深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和神經(jīng)元數(shù)量巨大,訓(xùn)練模型困難,所以采用高斯分布對(duì)前6層參數(shù)初始化,其中激活函數(shù)采用校正之后的Relus-Softplus函數(shù),在花卉圖像數(shù)據(jù)庫(kù)OXford-102flowers中TOP1準(zhǔn)確率達(dá)到85.75%,TOP3準(zhǔn)確率達(dá)到了94.50%.實(shí)驗(yàn)結(jié)果表明:該模型在中等規(guī)模數(shù)據(jù)集上比傳統(tǒng)方法優(yōu)勢(shì)明顯,且比未改進(jìn)的CNN模型識(shí)別率高.
[Abstract]:Fine image classification is different from traditional image classification. Because of the similarity and intra-class difference of fine image itself, traditional methods based on manual feature and local feature combination have been difficult to fully express the features of fine image. Therefore, a neural network model based on improved depth convolution is proposed. Because the parameters of deep convolution neural network structure and the number of neurons are huge and the training model is difficult, Gao Si distribution is used to initialize the parameters of the first six layers, and the activation function uses the corrected Relus-Softplus function. In the flower image database OXford-102flowers, the accuracy of TOP1 reached 85.75 and the accuracy of Top3 reached 94.50. The experimental results show that the model is superior to the traditional method in the medium scale data set and the recognition rate of the model is higher than that of the unimproved CNN model.
【作者單位】： 江西理工大學(xué)電氣工程與自動(dòng)化學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(51365017,61305019)資助項(xiàng)目
【分類號(hào)】：TP183;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 朱峗,吳煒;圖像分類中變形決策樹的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

2 陳戲墨,徐紅兵,李志銘,謝鉉洋,李曦,李揚(yáng)彬;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類中的應(yīng)用[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2005年01期

3 冀翠萍;孟祥增;;基于內(nèi)容的圖像分類體系[J];電腦知識(shí)與技術(shù)(學(xué)術(shù)交流);2007年07期

4 楊杰;陳曉云;;圖像分類方法比較研究[J];微計(jì)算機(jī)應(yīng)用;2007年06期

5 楊文潮;姜志堅(jiān);;圖像分類技術(shù)研究[J];福建電腦;2008年08期

6 葛寒娟;邱桃榮;王劍;盧強(qiáng);李北;劉韜;聶斌;;一種基于相容信息粒原理的圖像分類方法[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

7 王軍;王員云;;粒計(jì)算及其在圖像分類中的應(yīng)用研究[J];計(jì)算機(jī)工程與科學(xué);2009年03期

8 吳軍;王士同;;基于正負(fù)模糊規(guī)則的相結(jié)合的圖像分類[J];計(jì)算機(jī)應(yīng)用;2011年01期

9 吳軍;王士同;趙鑫;;正負(fù)模糊規(guī)則系統(tǒng)、極限學(xué)習(xí)機(jī)與圖像分類[J];中國(guó)圖象圖形學(xué)報(bào);2011年08期

10 郝永寬;王威;聶維同;王德強(qiáng);;圖像分類與聚類分析[J];數(shù)字技術(shù)與應(yīng)用;2011年12期

相關(guān)會(huì)議論文 前10條

1 鄭海紅;曾平;;一種基于圖像分類的逆半調(diào)算法[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)議論文集[C];2004年

2 文振q;歐陽(yáng)杰;朱為總;;基于語(yǔ)義特征與支持向量機(jī)的圖像分類[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

3 陳思坤;吳洪;;基于圖分塊并利用空間金字塔的醫(yī)學(xué)圖像分類[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

4 張淑雅;趙曉宇;趙一鳴;李均利;;基于SVM的圖像分類[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

5 朱松豪;胡娟娟;孫偉;;基于非歐空間高階統(tǒng)計(jì)的圖像分類方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

6 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學(xué)圖像分類[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

7 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點(diǎn)特征提取的醫(yī)學(xué)圖像分類[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

8 武進(jìn);尹愷;王長(zhǎng)明;張家才;;SVDM在蔬菜病害圖像分類中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

9 劉杰;杜軍平;;基于Relief-F特征加權(quán)支持向量機(jī)的語(yǔ)義圖像分類[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

10 陳文新;王長(zhǎng)富;戴蓓倩;;基于神經(jīng)網(wǎng)絡(luò)的漢語(yǔ)四聲識(shí)別[A];第一屆全國(guó)語(yǔ)言識(shí)別學(xué)術(shù)報(bào)告與展示會(huì)論文集[C];1990年

相關(guān)重要報(bào)紙文章 前1條

1 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

相關(guān)博士學(xué)位論文 前10條

1 李昌英(Ri ChangYong);基于上下文信息的語(yǔ)義圖像分類研究[D];浙江大學(xué);2014年

2 王曉東;基于稀疏特征學(xué)習(xí)的復(fù)雜圖像分類[D];西安電子科技大學(xué);2014年

3 顧迎節(jié);面向圖像分類的主動(dòng)學(xué)習(xí)算法研究[D];南京理工大學(xué);2015年

4 孟丹;基于深度學(xué)習(xí)的圖像分類方法研究[D];華東師范大學(xué);2017年

5 趙鑫;圖像分類中的判別性增強(qiáng)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

6 楊冰;基于藝術(shù)風(fēng)格的繪畫圖像分類研究[D];浙江大學(xué);2013年

7 丁建睿;基于多示例學(xué)習(xí)的淺表器官超聲圖像分類方法研究[D];哈爾濱工業(yè)大學(xué);2012年

8 賈世杰;基于內(nèi)容的商品圖像分類方法研究[D];大連理工大學(xué);2013年

9 李曉旭;基于概率主題模型的圖像分類和標(biāo)注的研究[D];北京郵電大學(xué);2012年

10 韓東峰;圖像分類識(shí)別中特征及模型的若干問題研究[D];吉林大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 劉青;基于神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究[D];天津大學(xué);2016年

2 張明靜;基于改進(jìn)遺傳算法的分塊綜合特征加權(quán)圖像分類研究[D];華南理工大學(xué);2015年

3 李函怡;融合主動(dòng)學(xué)習(xí)的半監(jiān)督技術(shù)在圖像分類中的應(yīng)用研究[D];西南大學(xué);2015年

4 王亞鳳;基于多特征的主動(dòng)學(xué)習(xí)方法在圖像分類中的應(yīng)用研究[D];河北工程大學(xué);2015年

5 陳榮安;基于改進(jìn)的Bag-of-Features模型的圖像分類研究[D];蘭州大學(xué);2015年

6 鐘畏丹;基于HSV和紋理特征的圖像分類[D];華中師范大學(xué);2015年

7 焦陽(yáng);基于主動(dòng)學(xué)習(xí)的多標(biāo)簽圖像分類方法研究[D];蘇州大學(xué);2015年

8 王朔琛;基于半監(jiān)督支持向量機(jī)的圖像分類方法研究[D];陜西師范大學(xué);2015年

9 楊東坡;基于深度學(xué)習(xí)的商品圖像分類[D];大連交通大學(xué);2015年

10 董振宇;基于詞袋模型的圖像分類研究[D];寧波大學(xué);2015年

，

本文編號(hào)：2267438