利用迁移学习和焦点损失卷积神经网络的石墨分类
为了使得优质石墨资源得到优质优用, 提出利用迁移学习和焦点损失卷积神经网络的石墨分类识别算法.在自建的初始数据集基础上, 通过对数据集的离线扩充与在线增强, 有效扩大数据集并减低深层CNN过拟合的风险. 以VGG16、ResNet34和MobileNet V2为基础模型, 重新设计新的输出模块载入全连接层, 提高了模型的泛化能力与鲁棒性; 结合焦点损失函数, 修改模型超参数并在石墨数据集上训练. 实验仿真发现, 本文所提方法的准确率均在95%以上, 识别准确率提高, 收敛速度加快, 模型更加稳定, 证明了所提算法的可行性与有效性.
石墨;图像分类;迁移学习;focal loss;卷积神经网络
31
国家自然科学基金;陕西省创新能力支撑计划;陕西省自然科学基础研究计划
2022-03-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
248-254