基于深度网络和数据增强的多物体图像识别
针对自然物体识别过程中,自然物体发生改变时传统多物体识别算法识别精度下降的问题,提出了一种基于深度网络和数据增强的物体图像识别算法.该算法应用多层卷积神经网络取代了传统算法对物体的特征进行提取,并且使用数据增强提高识别的速度和准确度.首先开发一个多物体识别的残差深度网络模型,然后利用数据存储区沿垂直轴随机翻转训练图像,并在水平和垂直方向上随机地将图像数据平移4个像素,最终通过对残差网络的迁移学习实现多物体图像识别.实验结果表明使用数据增强技术能有效解决数据集量数不足、网络模型过度拟合和记忆训练图像的确切细节等问题,并且该网络模型提高了图像识别准确度.
深度学习、卷积神经网络、ResNet、数据增强
38
TN911.73
国家自然科学基金61671362,61271362;陕西省自然科学基金2017JM6041
2019-07-03(万方平台首次上网日期,不代表论文的发表时间)
共5页
86-90