随着人工智能的快速发展,基于深度神经网络的图像分类任务性能得到了巨大提升,在图像检索、智能安防和自动驾驶等领域具有重要的应用价值.但目前图像分类网络的性能通常会受到输入图像大小的限制,相比于输入较小的图像,增大输入图像大小可以保留更多的细节信息,保证网络可以提取到更丰富的特征,从而提高分类准确性,但其也会降低网络的推理速度.目前的深度学习算法通常用线性插值的方式调整图像分辨率至固定大小,这种方式往往会限制网络的性能.针对上述图像输入大小和插值方式对分类准确率的影响问题,提出了一种基于图像放缩网络的图像分类方法,以轻量化网络架构EfficientNet为基准分类网络,引入混合空洞卷积增大特征的感受野,并设计了一种图像放缩增强网络模块对输入图片进行压缩增强,在少量增加网络参数量的情况下,丰富输入图像包含的信息,提升分类网络的分类性能.多组实验证明,所提出方法对图像分类准确率有着显著的提高.
NETL
NSTL
万方数据
