摘要
古代壁画艺术价值高、内容丰富,对壁画种类进行准确分类是研究者的难题之一.传统的壁画分类任务繁重且需要有经验的研究者完成;现有的图像分类算法已不适于分类含有较强背景噪声的壁画图像.针对以上问题提出了一种新的多通道可分离网络模型(multi-channel separable network model,MCSN)的解决方案.以GoogLeNet网络模型为基本框架,用小卷积核对壁画背景特征进行浅层提取,然后将7×7、3×3等较大卷积核十字分离成7×1、1×7和3×1、1×3等较小的卷积核提取壁画重要的深层次特征信息;使用软阈值化激活缩放策略(activation scaling)增加网络训练时的稳定性,最后通过softmax对壁画分类;使用小批量随机梯度下降(min-batch SGD)算法更新参数.精确率、召回率和F1值分别为88.16％、90.01％和90.38％.与主流分类算法相比,分类准确率、泛化能力、稳定性有了一定的提升,提高了壁画分类效率.
基金项目
山西省高等学校人文社会科学重点研究基地项目(20190130)
国家科技期刊平台
NSTL
维普
万方数据