基于改進VGG16的猴子圖像分類方法
《信息技術與網絡安全》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據集，并對數據集進行標準化處理，包含圖片去椒鹽噪聲、將數據集轉換為TensorFlow中提供的統一TFRecord數據格式。然后遷移學習改進的VGG16卷積神經網絡，模型的優化包括利用Swish作為激活函數、將softmax loss與center loss相結合作為損失函數以實現更好的聚類效果、采用性能完善的Adam優化器。用訓練集訓練模型以確定微調參數信息，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。與其他傳統卷積神經網絡模型相比，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，卷積神經網絡已經達到了很高的水平，但對于細粒度圖像分類的穩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別要更加精準，類內區別大而類間區別小，粒度則更為精細。本文方法基于改進的VGG16深度卷積神經網絡。盡管原始的VGG16模型已經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損失函數與交叉熵損失函數相結合的辦法。此外還運用了新型的Swish激活函數，以及擁有自適應學習率的Adam優化器。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信息。經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模型在該數據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.xxav2194.com/resource/share/2000003088
作者信息：田佳鷺，鄧立國(沈陽師范大學 數學與系統科學學院,遼寧 沈陽 110034)
此內容為AET網站原創，未經授權禁止轉載。