论文部分内容阅读
图像分类是指挖掘和获取图像信息中所呈现的不同特征,将不同类别的图像数据区分的图像处理技术。图像分类的核心内容在于图像特征的提取,提取到高级语义特征可正确理解图像的内容或本质,从而提升图像分类精度。随着大数据时代的到来和互联网技术的飞速发展,深度学习方法已成为图像分类任务中的研究热点。卷积神经网络作为深度学习技术中应用最为广泛的方法之一,具有强大的特征提取能力和非线性拟合数据能力,是现今图像分类任务中最为有效的算法之一。许多研究人员对卷积神经网络和图像分类技术开展了大量的研究并取得了优良的进展,但卷积神经网络方法仍存在着网络模型复杂、训练时间过长、过多占用计算资源、收敛速度慢、网络过拟合以及分类精度有待提高等不足。因此,对卷积神经网络相关技术进行改进,设计性能更优的卷积神经网络方法用于图像分类已成为重要的研究方向之一。(1)针对深层模型结构复杂、参数庞大、训练时间过长、网络易过拟合、泛化能力较弱以及识别精度有待提升等问题,提出了深层网络迁移的花卉图像分类方法。深层网络采用经典的网络结构:VGG16、VGG19、InceptionV3和ResNet50。首先在ImageNet数据集上进行预训练,使深层网络参数具备自然场景下图像的特征提取性能以及获得网络的优化参数等;再将预训练模型输入到目标数据集中进行迁移训练,进一步进行网络训练和参数优化,获得花卉数据的丰富的高级语义信息,并与随机初始化网络进行比较。实验结果表明,ResNet50迁移方法的识别性能最佳,在Oxford-102数据集的分类准确度达到了96.57%,并在Oxford-17数据集上的分类精度也达到95.29%,且在广西花卉数据集中表现优良,该模型均具有良好的识别精度和鲁棒性。(2)为进一步提升Oxford标准花卉数据集的识别精度,减少网络训练时间,有效提升模型鲁棒性和泛化能力,在迁移方法的基础上提出深层网络二次迁移技术。通过ImageNet数据集训练后得到的预训练模型,迁移到广西花卉数据集中进一步训练网络和优化参数,得到的花卉迁移训练模型再次迁移到Oxford标准花卉数据集中。实验结果表明,二次迁移方法相比于迁移学习方法,在模型的识别精度和泛化能力上均有显著提升,ResNet50二次迁移方法在Oxford-102数据集的分类准确度达到97%。(3)针对卷积神经网络中参数量过多导致网络陷入过拟合以及层数过多、参数过大引起精度下降等网络退化问题,提出了一种改进的浅层的稠密卷积神经网络方法(DenseNet-S)。在原始的稠密网络中,引入改进的SqueezeNet中的fire模块,并针对压缩参数带来的模型特征提取能力下降问题,提出二维卷积核分离技术来获取目标多样性的多尺度特征,从而提升模型的特征提取能力。本文将提出的模型与原始稠密网络进行对比,并与经典的深度学习进行对比,以及在提出模型中进行模型简化实验对比,多角度论证本文方法的有效性。