基于改进B-CNN的轨枕挡肩裂纹图像细粒度分类
针对轨枕挡肩裂纹图像精细化分类问题,提出了改进双线性卷积神经网络(B-CNN)模型.该模型先通过全局平均池化链接图像特征中的全局信息以捕捉细微裂纹宽度特征;再通过不同层次特征融合增强特征表达能力,获得有效宽度特征以实现细粒度分类.实验结果表明:该模型与B-CNN模型相比,分类准确率提升了2个百分点,在假阴性率方面,正常类别降低了2.3个百分点,明显裂纹类别降低了4.55个百分点;与基线VGG-D(Visual Geometry Group Network-D)模型相比,分类准确率提升6.11个百分点,在假阴性率方面,正常类别降低了7.39个百分点,明显裂纹类别降低了8.39个百分点,且参数量仅为原参数量的18.51%,特征提取速度提升了45.31%,说明该模型能够满足快速、准确对双块式轨枕挡肩裂纹图像分类的工程需求.
图像处理、细粒度图像分类、双线性卷积神经网络、裂纹图像
57
TP391.4(计算技术、计算机技术)
国家自然科学基金;教育部人文社会科学研究项目
2020-09-04(万方平台首次上网日期,不代表论文的发表时间)
共9页
122-130