MIF-CNNIF:一种基于CNN的交叉特征的多分类图像数据框架

摘要：

近年来,图像多分类任务和深度学习受到越来越多学者的重视,基于卷积神经网络(Convolutional Neural Network,CNN)的多分类图像数据框架也得到了广泛应用.传统的基于卷积神经网络的多分类图像数据学习(MIF-CNN)普遍存在图像处理复杂、特征维数大、时间复杂度高等问题.针对这一问题,提出了一种基于CNN的交叉特征的多分类图像数据框架(MIF-CNNIF).MIF-CNNIF是一种基于多种特征选择算法得到相交特征并以此交叉特征代替原特征集处理图像多分类任务的框架.在10个多类图像数据集上进行了丰富的对比实验,结果验证了MIF-CNNIF的有效性.MIF-CNNIF的贡献在于:1)使用预先训练好的CNN模型,避免了设置过多参数;2)与MIF-CNN相比,有效降低了特征维度和时间复杂度;3)具有比MIF-CNN更好的平均分类准确率;4)在多分类图像数据集上成功验证了组合特征算法的有效性.

关键词：卷积神经网络、特征选择、交叉特征、图像多分类、组合特征

所属期刊栏目：49

分类号：TP389(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;上海市科技创新行动计划自然科学基金项目;晨光计划;中国博士后科学基金

在线出版日期：2023-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：490-497