基于迁移学习的树种识别

摘要：

使用树干和树叶图像实现树种自动识别,目前深度学习可以有效的解决该类问题,但它需要大量样本做训练才能达到较高的识别精度.当面对有限图像数量时,提出基于迁移学习的方法,把经过预训练的卷积神经网络模型进行迁移,即共享卷积层和池化层的权重参数,对新的网络模型超参数进行调整,并建立一个包含10种共计2000张树干图像和8种共计1725张树叶图像的数据库,把图片分为训练集和测试集,分别利用迁移学习、普通深度学习和SVM分类方法进行训练和测试,并将这3种方法作对比.最后,通过构建树干和树叶图像的混淆矩阵对迁移学习进行具体分析与说明.实验结果表明,通过迁移学习得到的树干和树叶最高识别精度分别达到92.51％和98.20％,比普通深度学习提高了51.38％和51.69％,比SVM分类方法提高了43.94％和45.08％.迁移学习比普通深度学习和传统SVM分类方法更适合用于小样本数据集的分类识别,并且显著优于普通深度学习和SVM分类方法.

关键词：深度学习、迁移学习、卷积神经网络、混淆矩阵

所属期刊栏目：35

分类号：S781.1(森林采运与利用)

资助基金：中央高校基本科研业务费专项资金项目2572017CB10;黑龙江省博士后经费LBH-Z16006,LBH-Z16011

在线出版日期：2019-08-13（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：68-75