基于深度模型迁移学习的花卉图像分类方法

发布时间：2021-06-22 16:38

　　图像分类是目前人工智能、模式识别领域的重要研究方向之一。花卉图像分类,是以花卉为目标,对图像中的花卉进行生物学分类;其在植物物种研究与保护、园林花圃智能化管理中具有重要应用价值。花卉图像类别数量多、类间差异小、类内差异大、背景复杂、样本数量少,对其准确分类往往难度较大。针对花卉图像数据的这些特点,本文以深度模型、迁移学习和多任务学习为理论指导,进行花卉图像分类研究。主要工作内容如下:（1）针对特征描述算子设计难度大、特征提取能力弱,以及深度模型结构复杂、参数规模大、难以拟合小数据集的问题,提出基于深度模型迁移学习的细粒度图像分类方法。首先,通过在粗粒度图像数据集上进行预训练,使深度模型参数分布具备自然图像特征提取能力;然后,对深度模型进行局部训练,使其在细粒度图像数据集上进行迁移。实验结果表明,在102类花卉图像数据集上,分类准确率达到96.27%;此外,在120类狗、200类鸟、37类猫和狗、196类汽车图像数据集上,该方法亦分别得到72.23%、73.33%、86.00%、89.72%的图像分类准确率,具有较好的准确性与泛化性能。（2）深度模型的训练往往需要非常大的数据规模、非常多... 

【文章来源】：河南师范大学河南省

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

深度模型训练示意图

图 2-2 LeNet 模型网络结构图 2-2 中结构主要分为 3部分：输入层、卷积层、全连接层，输入层输入的为32 32 的灰度图像，经过卷积以及全连接后，降至 10 维的向量，即，该图像为 0-9 数字的率组合。该结构虽然仅有 4 层卷积，但与同期其他算法相比，对手写字符的识别准确为最优。随着计算能力的提高以及大数据的发展，出现 AlexNet（AN）模型[15]。该模型网结构，如图 2-3 所示。

图 2-2 LeNet 模型网络结构图 2-2 中结构主要分为 3部分：输入层、卷积层、全连接层，输入层输入的为32 32 的灰度图像，经过卷积以及全连接后，降至 10 维的向量，即，该图像为 0-9 数字的率组合。该结构虽然仅有 4 层卷积，但与同期其他算法相比，对手写字符的识别准确为最优。随着计算能力的提高以及大数据的发展，出现 AlexNet（AN）模型[15]。该模型网结构，如图 2-3 所示。

【参考文献】：
期刊论文
[1]A brief introduction to weakly supervised learning[J]. Zhi-Hua Zhou.  National Science Review. 2018(01)
[2]A Survey on Deep Learning-based Fine-grained Object Classification and Semantic Segmentation[J]. Bo Zhao,Jiashi Feng,Xiao Wu,Shuicheng Yan.  International Journal of Automation and Computing. 2017(02)
[3]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋.  自动化学报. 2016(10)
[4]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)
[5]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[6]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛.  计算机学报. 2014(06)



本文编号：3243177