一种基于迁移学习的小样本图像分类方法

摘要：

深度学习模型应用于小样本图像分类时,存在训练时间过长和过拟合的问题.鉴于此,提出了一种基于迁移学习的小样本图像分类方法.首先,将MobileNet-V2,Ineption-V3,Xception 3种深度卷积神经网络放在大型数据集中进行预训练,然后保留并冻结在源网络预训练过程中的基本参数,用数据增强的方法强化小样本数据后,再对小样本的目标数据集进行特征提取训练,最后对预训练的网络模型进行微调,并解冻部分层次,用于调整网络权重,并再次训练目标数据集.实验结果表明,迁移学习在小样本图像的应用中是有效的,可以构造出泛化性能很高的模型,大大减少了原深度模型训练时产生的过拟合问题.

关键词：深度学习、迁移学习、深度卷积神经网络、数据增强

所属期刊栏目：37

分类号：TP391.4(计算技术、计算机技术)

在线出版日期：2021-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：27-32