發(fā)布時(shí)間：2024-12-02 22:25

　　 為了提高寵物貓品種分類的準(zhǔn)確率,提出了一種卷積神經(jīng)網(wǎng)絡(luò)融合的方法進(jìn)行特征提取。首先,基于堆疊卷積自動(dòng)編碼器的域自適應(yīng)技術(shù),采用反卷積操作豐富特征圖;其次,利用Inception結(jié)構(gòu)增加網(wǎng)絡(luò)的寬度來(lái)提取多尺度信息的特征圖;最后,使用Softmox函數(shù)對(duì)圖像進(jìn)行分類,在Oxford-ⅢT數(shù)據(jù)集中進(jìn)行實(shí)驗(yàn)分析。實(shí)驗(yàn)結(jié)果表明,利用改進(jìn)后的模型對(duì)寵物貓進(jìn)行分類,準(zhǔn)確率高于對(duì)比模型,達(dá)到了84.56%,損失值為0.015 0。所提出的卷積神經(jīng)網(wǎng)絡(luò)融合方法不僅能通過(guò)豐富特征圖、加深網(wǎng)絡(luò)深度更好地表達(dá)特征,還能提高分類性能和收斂性能,較好地解決了寵物品種識(shí)別中由寵物相似所帶來(lái)的識(shí)別率低的問(wèn)題,還可以推廣應(yīng)用到其他圖像相似問(wèn)題的應(yīng)用場(chǎng)景中。

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖1 VGGNet-16網(wǎng)絡(luò)結(jié)構(gòu)圖

VGGNet網(wǎng)絡(luò)結(jié)構(gòu)是將CNN中的卷積核由5×5尺寸改為用2個(gè)3×3的卷積進(jìn)行替代,然后對(duì)3×3的卷積核和2×2的最大池化層反復(fù)疊成16—19層,這樣能大幅度地降低訓(xùn)練時(shí)的參數(shù)數(shù)量,同時(shí)也能將原有的卷積運(yùn)算通過(guò)增加網(wǎng)絡(luò)的層數(shù)來(lái)提升網(wǎng)絡(luò)模型的性能。VGGNet-16分為5段,每段的....

圖2 Inception模塊圖

由于在VGGNet中增加網(wǎng)絡(luò)深度會(huì)增加參數(shù)的數(shù)量,進(jìn)而增加計(jì)算的復(fù)雜度,Google公司為了解決這個(gè)問(wèn)題提出了一個(gè)由11個(gè)Inception模塊(如圖2所示)串聯(lián)組成Inception-V3網(wǎng)絡(luò)模型,相比于VGGNet有更深的網(wǎng)絡(luò),深度可達(dá)到46層,但是網(wǎng)絡(luò)參數(shù)減少了,計(jì)算效率非....

圖3 網(wǎng)絡(luò)結(jié)構(gòu)圖

針對(duì)貓品種的數(shù)據(jù)集較少且特征不明顯,采用人工和普通卷積神經(jīng)網(wǎng)絡(luò)提取特征的方式在進(jìn)行模型訓(xùn)練精準(zhǔn)度不高的問(wèn)題,本文對(duì)貓品種分類的特征提取部分進(jìn)行了改進(jìn)。對(duì)貓的品種進(jìn)行分類訓(xùn)練模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,其分為改進(jìn)模塊、Inception模塊、全連接層和輸出層,改進(jìn)模塊網(wǎng)絡(luò)結(jié)構(gòu)圖如圖4....

圖4 改進(jìn)模塊網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3網(wǎng)絡(luò)結(jié)構(gòu)圖在進(jìn)行卷積運(yùn)算時(shí),當(dāng)特征圖比較大時(shí),所包含的圖像細(xì)節(jié)較多,但是高層次表現(xiàn)出來(lái)的特征信息比較少;當(dāng)特征圖比較小時(shí),具有更好的高層次語(yǔ)義信息,但分辨率比較差[17]。因此,本文選擇將兩者結(jié)合起來(lái),既能包含較多的圖像細(xì)節(jié),也能獲得盡可能強(qiáng)的圖像語(yǔ)義信息[18]。而且在使....

本文編號(hào)：4014008