一种改进的深度卷积神经网络的精细图像分类

发布时间：2018-10-12 20:08

【摘要】：精细图像分类不同于传统的图像分类,由于精细图像自身的类间相似性和类内差异性,传统的基于手工特征和局部特征组合方法已经很难完整地表达精细图像的特征,因此提出了一种基于改进的深度卷积神经网络模型.由于深度卷积神经网络结构参数和神经元数量巨大,训练模型困难,所以采用高斯分布对前6层参数初始化,其中激活函数采用校正之后的Relus-Softplus函数,在花卉图像数据库OXford-102flowers中TOP1准确率达到85.75%,TOP3准确率达到了94.50%.实验结果表明:该模型在中等规模数据集上比传统方法优势明显,且比未改进的CNN模型识别率高.
[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.
【作者单位】： 江西理工大学电气工程与自动化学院;
【基金】：国家自然科学基金(51365017,61305019)资助项目
【分类号】：TP183;TP391.41

【相似文献】

相关期刊论文 前10条

1 朱峗,吴炜;图像分类中变形决策树的应用[J];计算机工程与应用;2004年21期

2 陈戏墨,徐红兵,李志铭,谢铉洋,李曦,李扬彬;数据挖掘在医学图像分类中的应用[J];现代计算机(专业版);2005年01期

3 冀翠萍;孟祥增;;基于内容的图像分类体系[J];电脑知识与技术(学术交流);2007年07期

4 杨杰;陈晓云;;图像分类方法比较研究[J];微计算机应用;2007年06期

5 杨文潮;姜志坚;;图像分类技术研究[J];福建电脑;2008年08期

6 葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;;一种基于相容信息粒原理的图像分类方法[J];广西师范大学学报(自然科学版);2008年03期

7 王军;王员云;;粒计算及其在图像分类中的应用研究[J];计算机工程与科学;2009年03期

8 吴军;王士同;;基于正负模糊规则的相结合的图像分类[J];计算机应用;2011年01期

9 吴军;王士同;赵鑫;;正负模糊规则系统、极限学习机与图像分类[J];中国图象图形学报;2011年08期

10 郝永宽;王威;聂维同;王德强;;图像分类与聚类分析[J];数字技术与应用;2011年12期

相关会议论文 前10条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

4 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

5 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

6 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

7 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

8 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

9 刘杰;杜军平;;基于Relief-F特征加权支持向量机的语义图像分类[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

10 陈文新;王长富;戴蓓倩;;基于神经网络的汉语四声识别[A];第一届全国语言识别学术报告与展示会论文集[C];1990年

相关重要报纸文章 前1条

1 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

相关博士学位论文 前10条

1 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

2 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

3 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年

4 孟丹;基于深度学习的图像分类方法研究[D];华东师范大学;2017年

5 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

6 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

7 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

8 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

9 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年

10 韩东峰;图像分类识别中特征及模型的若干问题研究[D];吉林大学;2008年

相关硕士学位论文 前10条

1 刘青;基于神经网络的图像分类方法研究[D];天津大学;2016年

2 张明静;基于改进遗传算法的分块综合特征加权图像分类研究[D];华南理工大学;2015年

3 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年

4 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年

5 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年

6 钟畏丹;基于HSV和纹理特征的图像分类[D];华中师范大学;2015年

7 焦阳;基于主动学习的多标签图像分类方法研究[D];苏州大学;2015年

8 王朔琛;基于半监督支持向量机的图像分类方法研究[D];陕西师范大学;2015年

9 杨东坡;基于深度学习的商品图像分类[D];大连交通大学;2015年

10 董振宇;基于词袋模型的图像分类研究[D];宁波大学;2015年

，

本文编号：2267438