首页|基于改进残差网络的花卉图像分类算法

基于改进残差网络的花卉图像分类算法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
传统的花卉图像分类都是基于人工手动选择单一特征或者多特征融合再分类,这种方法普遍存在精度低、成本高、泛化能力弱等缺陷.针对目前深度学习在细粒度图像分类中的应用,提出一种基于残差网络、实现端到端的花卉图像分类方法.首先以ResNet18为基础模型;其次将全卷积结构的思想应用于网络模型中,将ResNet18的全连接层替换成卷积层以优化网络模型;最后在优化后的ResNet18中融入混合域注意力机制,由Softmax层进行分类.本文选取了Oxford17flowers和Oxford102flowers两个花卉图像数据集做对比试验,与前人的花卉图像分类方法对比,本文的方法取得了理想的效果,在Oxford17和Oxford102上分别取得了99.26％以及99.02％的正确率.提出了一种基于注意力的残差结构改进方法,相较于前人的花卉图像分类方法,该方法能够更有效地提取关键信息的特征,抑制干扰区域的信息,对花卉图像分类具有显著性效果,适用于细粒度图像分类.
Flower image Classification Algorithm Based on Improved Residual Network

裴晓芳、张杨

展开 >

南京信息工程大学滨江学院,江苏 南京210044

南京信息工程大学江苏省大气环境与装备技术协同创新中心,江苏 南京210044

南京信息工程大学电子与信息工程学院,江苏 南京210044

图像分类 花卉识别 残差网络 全卷积结构 注意力机制

南京信息工程大学滨江学院课题

2019bjyng006

2020

电子器件
东南大学

电子器件

CSTPCD北大核心
影响因子：0.569
ISSN：1005-9490
年,卷(期)：2020.43(3)
  • 7
  • 4