基于宽度学习和深度集成的图像分类

发布时间：2024-06-03 05:18

　　图像分类是计算机视觉的核心研究领域之一。在当今信息科技时代,人们在学习、掌握、运用信息时面临着新的挑战。信息处理和交流越来越复杂,信息的产生和传播极其迅速,图像数据每天以几何级数的方式增长。对含有丰富信息的图像的管理也要适应新的特点和新的模式。在上述背景和条件下,如何让计算机更加高效地管理海量的图像信息,以及对图像数据实施更快速、更精确的分类是一项很重要的研究课题。本文基于宽度学习、深度学习、集成学习提出了以下优化图像分类效果的模型和方法:1.提出了一种基于随机宽度学习网络的图像分类方法。首先利用随机生成的正交矩阵提取输入层的特征,构成多层多分支神经网络的特征节点,然后根据稀疏自动编码原理对提取的特征和期望输出进行拟合,利用交替方向乘子法求解优化每个节点的网络参数,最后对每个分支网络和每层网络的预测结果进行加权,得到最终的分类结果。所提出的模型无深度结构,求解简单,故训练时间较短,同时获得了较高的图像分类准确率。2.提出了一种基于深度残差网络优化模型的图像分类方法。将多个挤压激励模块分层引入残差网络,通过对不同网络层的特征图分配权值,提高网络的特征表征能力,采用交叉熵函数作为损失函数的...

【文章页数】：88 页

【学位级别】：硕士

【部分图文】：

图4.8本章优化模型在Cifar10数据集上的分类结果

西安电子科技大学硕士学位论文优化之前的模型略低，可能是由于Cifar10数据集的训练集和测试集中每一量相同，所以损失函数优化没有很好地起到防止过拟合的作用与其他算法确率比较，本章算法比ResNet110的分类准确率高，取得了较好的分类效章的优化模型在Cifar10数....

图4.9本章优化模型在CUB200数据集上的分类结果

(c)ours2-50(d)ours2-100图4.9本章优化模型在CUB200数据集上的分类结果从图4.9中可以看出大多数类别的分类准确率集中在平均分类准确率附近，说本章所提出的算法的有效性4.8本章小结本章首先介绍了残差网络和挤压激励网络的基本结构和理论....

图5.3本章算法在Flowers102数据集上的分类结果

西安电子科技大学硕士学位论文，只修改预训练的ResNet152权值参数SoftMax层在Flowers102数据集上的分类准确率，利用预训练模的特征训练编码器，进行预测后得到res5c_relu层在率，利用预训练模型res5a_relures5b_relu层....

图5.4本章算法在CUB200数据集上的分类结果

表5.2本章算法在CUB200数据集上的分类结果比较算法准确率（%）Alignments[58]53.6AN-BGLm[54]60.5FC-CNN(VGG)[59]61.0ResNet15262.9ResNet152(res5c_relu)62.9ResNet15....

本文编号：3988235