10.16208/j.issn1000-7024.2018.11.044
基于多重卷积神经网络跨数据集图像分类
为解决不同数据集共同类图像特征学习能力弱的问题,采用深度学习算法模型,提出一种基于多重卷积神经网络的跨数据集图像分类方法.以中值滤波预处理后的图像作为网络输入,在两个池化层之间采用两组连续卷积层,卷积特征提取和池化后,采用L2范数正则化的Softmax损失函数作为模型分类器,完成多重卷积神经网络分类的训练和测试.实验结果表明,相比于传统JDA方法、TCA方法和KPCA方法,该方法在经典数据集Caltech256、Amazon、Webcam和Dslr上具有更好的特征提取能力和更高的平均准确率.
跨数据集分类、卷积神经网络、多重卷积、特征学习、L2正则化
39
TP391.41(计算技术、计算机技术)
宁夏自然科学基金项目NZ17010;国家自然科学基金项目61751215、61363054;西部一流大学科研创新基金项目ZKZD2017005
2019-01-22(万方平台首次上网日期,不代表论文的发表时间)
共6页
3549-3554