基于改進VGG16的猴子圖像分類方法
《信息技術與網(wǎng)絡安全》2020年第5期
田佳鷺，鄧立國
摘要： 為提高對細粒度圖像分類的準確性和分類速度，提出基于改進VGG16和遷移學習的圖像分類方法。首先從kaggle平臺中獲取十種不同猴子數(shù)據(jù)集，并對數(shù)據(jù)集進行標準化處理，包含圖片去椒鹽噪聲、將數(shù)據(jù)集轉換為TensorFlow中提供的統(tǒng)一TFRecord數(shù)據(jù)格式。然后遷移學習改進的VGG16卷積神經(jīng)網(wǎng)絡，模型的優(yōu)化包括利用Swish作為激活函數(shù)、將softmax loss與center loss相結合作為損失函數(shù)以實現(xiàn)更好的聚類效果、采用性能完善的Adam優(yōu)化器。用訓練集訓練模型以確定微調參數(shù)信息，再用測試集檢驗模型準確性。結果表明，該方法對猴子圖像分類的準確度可達到98.875%，分類速度也得到了顯著提升。與其他傳統(tǒng)卷積神經(jīng)網(wǎng)絡模型相比，該方法具有更高的準確性和適用性。
中圖分類號：TP391.41;TP18 文獻標識碼：A DOI： 10.19358/j.issn.2096-5133.2020.05.002
引用格式：田佳鷺，鄧立國.基于改進VGG16的猴子圖像分類方法［J］.信息技術與網(wǎng)絡安全，2020,39（5）：6-11.
引用格式：田佳鷺，鄧立國.基于改進VGG16的猴子圖像分類方法［J］.信息技術與網(wǎng)絡安全，2020,39（5）：6-11.
Abstract：
Key words :
隨著深度學習技術的不斷進步，對于通用對象的類別分析，卷積神經(jīng)網(wǎng)絡已經(jīng)達到了很高的水平，但對于細粒度圖像分類的穩(wěn)定性目前還有待提升。所謂細粒度圖像分類，通常用于描述對同一類事物進行細致的劃分，所以待分類圖像的區(qū)別要更加精準，類內區(qū)別大而類間區(qū)別小，粒度則更為精細。本文方法基于改進的VGG16深度卷積神經(jīng)網(wǎng)絡。盡管原始的VGG16模型已經(jīng)擁有了良好的普適性和實用價值，并且在各種圖像分類和目標檢測任務中都體現(xiàn)了極佳的效果，通過遷移學習改進的VGG16模型，能夠將已習得的特征和性能應用到待解決的問題中，極大地節(jié)省了訓練時間。此外在硬件上選取GPU進行訓練，使得速度得到進一步提升。為了改善原始的交叉熵損失函數(shù)無法保證提取的特征具有識別度的缺點，在VGG16模型中引入將center loss損失函數(shù)與交叉熵損失函數(shù)相結合的辦法。此外還運用了新型的Swish激活函數(shù)，以及擁有自適應學習率的Adam優(yōu)化器。最后利用不同種類的猴子訓練集對改進的模型重新訓練，以獲得少量微調的參數(shù)信息。經(jīng)驗證該方法對猴子圖像識別的精準度可提升到98.875%，而原始的VGG16模型在該數(shù)據(jù)集上的分類僅能達到90.210%的準確率，可以證明改進后的模型具有更好的識別效果。
本文詳細內容請下載：http://m.rjjo.cn/resource/share/2000003088
作者信息：田佳鷺，鄧立國(沈陽師范大學 數(shù)學與系統(tǒng)科學學院,遼寧 沈陽 110034)
此內容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉載。