針對在犬類圖像識別領域上存在需要手動提取特征、樣本量不足、模型容易過擬合、訓練時間較長等一系列問題,本文提出了一種基于遷移學習的深度卷積網(wǎng)絡分類方法。該方法將數(shù)據(jù)預處理后,經(jīng)過已經(jīng)訓練好的VGG16卷積神經(jīng)網(wǎng)絡自動學習圖像特征,可以有效地解決模型過擬合、樣本量不足等問題,并且通過微調(diào)網(wǎng)絡參數(shù),大大減少訓練時間,且平均識別準確率能達到96%左右。 

【文章來源】：電子制作. 2020,(21)

【文章頁數(shù)】：4 頁

【部分圖文】：

卷積神經(jīng)網(wǎng)絡結構

由于卷積神經(jīng)網(wǎng)絡結構比較復雜,需要大量的訓練數(shù)據(jù)來支持其訓練,避免發(fā)生過擬合(Overfitting)現(xiàn)象[9],但是在實際應用中很難獲得大量的圖像數(shù)據(jù),所以數(shù)據(jù)增強(DataAugmentation)成為了一種獲得大量數(shù)據(jù)的有效方法,它是一種很常見的提升卷積神經(jīng)網(wǎng)絡魯棒性并減少過擬合的有效方法,本文通過圖像旋轉,平移,鏡像,裁剪,縮放等方式擴充數(shù)據(jù)訓練集。1.2.2添加噪聲

圖像添加噪聲前后對比

【參考文獻】：
期刊論文
[1]基于深度學習和遷移學習的水果圖像分類[J]. 廉小親,成開元,安颯,吳葉蘭,關文洋.  測控技術. 2019(06)
[2]基于卷積神經(jīng)網(wǎng)絡的中國繪畫圖像分類[J]. 楊冰,陳浩月,王小華,姚金良.  軟件導刊. 2019(01)
[3]基于卷積神經(jīng)網(wǎng)絡的圖像分類算法綜述[J]. 楊真真,匡楠,范露,康彬.  信號處理. 2018(12)
[4]基于遷移學習的圖像識別研究[J]. 袁文翠,孔雪.  微型電腦應用. 2018(07)



本文編號：3603419