基于宽残差网络和迁移学习的花卉识别研究

发布时间：2024-04-27 02:52

　　传统的花卉识别算法主要通过手动提取特征,最终利用分类器进行训练,其泛化能力存在一定的局限性且准确度很难突破。而“深度学习”概念的提出,吸引了很多国内外科研工作者的关注。特别在农业领域,利用深度学习技术获取农业信息,指导农业生产已经得到了广泛的应用。目前,深度学习网络已经能够将网络深度扩大到上千层,但是当层数达到上千层后,其准确率每提高百分之一的代价都是巨大的。因此有人提出一种在准确率不变的情况下,适当减少网络深度,增加宽度的架构,即宽残差网络,并取得了良好的效果。同时,使用深度学习技术研究,研究成果不能很好的展现在PC端和手机端,而迁移学习的核心理念即使浅层的网络模型的准确率接近深层的网络模型的准确率,并且能够较好的应用于PC端与手机端。经过实验对比,将迁移学习和宽残差网络相结合,发挥二者的优势,运用较少的层数和样本量,得到了性能最佳的网络模型,并将此模型应用于花卉图像的识别。主要内容如下:1、研究分析了花卉识别技术的现状及其意义,针对迁移学习方法以及宽残差网络进行了深入的探讨;2、设计对比实验,验证了相同的网络模型不同深度之间迁移学习的优越性;3、设计对比实验,验证了不同网络模型之间...

【文章页数】：43 页

【学位级别】：硕士

【部分图文】：

图2-1单个编码器训练

-7-图2-1单个编码器训练Figure2-1SingleEncoderTraining利用互聚类算法是同构空间下基于特征迁移学习的场景方法，这是同时将聚类目标数据和样本数据进行比对，找到它们各自的共同点，从而实现样本数据到目标数据的迁移[31]。像此类的方法还有很多，如自学习算....

图2-2多个编码器训练

-8-图2-2多个编码器训练Figure2-2Multipleencodertraining自动编码器若经过多层的训练，这将会得到一个很好的特征以此来表示原始输入的数据，为了实现这样的目的，我们可在其上增加一个分类器，如支持向量机SVM和softmax回归等[39]。利用梯度下降....

图2-3受限玻尔兹曼机Figure2-3RestrictedBoltzmannmachine

-9-(，)=1（）（，，）=1（）∏，∏∏（3）()=∑（，，），可视层值一定，则第个隐藏层节点为１的概率如公式（4）：(=1|)=11+∑（4）图2-4RBM训练过程Figure2-4RBMtrainingprocess图2-3受限玻尔兹曼机Figure2-3Restrict....

图2-4RBM训练过程

-9-(，)=1（）（，，）=1（）∏，∏∏（3）()=∑（，，），可视层值一定，则第个隐藏层节点为１的概率如公式（4）：(=1|)=11+∑（4）图2-4RBM训练过程Figure2-4RBMtrainingprocess图2-3受限玻尔兹曼机Figure2-3Restrict....

本文编号：3965246