• 中国计算机学会会刊
  • 中国科技核心期刊
  • 中文核心期刊

计算机工程与科学

• 图形与图像 • 上一篇    下一篇

采用融合卷积网的图像分类算法

李聪,潘丽丽,陈蓉玉,周燕,邵伟志   

  1. (中南林业科技大学计算机与信息工程学院,湖南 长沙 410000)
  • 收稿日期:2019-07-03 修回日期:2019-09-10 出版日期:2019-12-25 发布日期:2019-12-25

LI Cong,PAN Li-li,CHEN Rong-yu,ZHOU Yan,SHAO Wei-zhi   

  1. (College of Computer Science and Information Technology,
    Central South University of Forestry & Technology,Changsha 410000,China)
  • Received:2019-07-03 Revised:2019-09-10 Online:2019-12-25 Published:2019-12-25

摘要:

目前,卷积神经网络已成为视觉对象识别的主流机器学习方法。有研究表明,网络层数越深,所提取的深度特征表征能力越强。然而,当数据集规模不足时,过深的网络往往容易过拟合,深度特征的分类性能将受到制约。因此,提出了一种新的卷积神经网络分类算法:并行融合网FD-Net。以网络融合的方式提高特征的表达能力,并行融合网首先组织2个相同的子网并行提取图像特征,然后使用精心设计的特征融合器将子网特征进行多尺度融合,提取出更丰富、更精确的融合特征用于分类。此外,
采用了随机失活和批量规范化等方法协助特征融合器去除冗余特征,并提出了相应的训练策略控制计算开销。最后,分别以经典的ResNet、InceptionV3、DenseNet和MobileNetV2作为基础模型,在UECFOOD-100和Caltech101等数据集上进行了深入的研究和评估。实验结果表明,并行融合网能在有限的训练样本上训练出识别能力更强的分类模型,有效提高图像的分类准确率。

关键词: 深度学习, 图像分类, 卷积神经网络, 特征融合

Key words: deep learning, image classification, deep convolutional neural network;feature fusion

中图分类号: