10.11835/j.issn.1000-582X.2018.05.011
基于Xception的细粒度图像分类
细粒度图像分类是对传统图像分类的子类进行更加细致的划分,实现对物体更为精细的识别,它是计算机视觉领域的一个极具挑战的研究方向.通过对现有的细粒度图像分类算法和Xception模型的分析,提出将Xception模型应用于细粒度图像分类任务.用ImageNet分类的预训练模型参数作为卷积层的初始化,然后对图像进行缩放、数据类型转换、数值归一化处理,以及对分类器参数随机初始化,最后对网络进行微调.在公开的细粒度图像库CUB200-2011、Flower102和Stanford Dogs上进行实验验证,得到的平均分类正确率为71.0%、89.9%和91.4%.实验结果表明Xception模型在细粒度图像分类上有很好的泛化能力.由于不需要物体标注框和部位标注点等额外人工标注信息,Xception模型用在细粒度图像分类上具有较好的通用性和鲁棒性.
细粒度图像分类、Xception、卷积神经网络、深度学习
41
TP311.1(计算技术、计算机技术)
国家重点研发计划资助项目2017YFB0802400
2018-10-11(万方平台首次上网日期,不代表论文的发表时间)
共7页
85-91