面向移动平台的深度学习复杂场景目标识别应用

摘要：

针对传统建筑物提取方法对人为设计的依赖,以及对建筑物边缘特征提取算法的改进,通过Keras框架获取卷积神经网络(convolutional neural networks,CNN)模型MobileNet的瓶颈层后加入新的分类器进行迁移学习,对输入图片进行大量的图像增强技术和测试集增强技术,经过三个阶段的迁移学习后获得了较高的准确率.相比其他的特征提取算法,CNN具有平移不变性以及自动提取特征等优点,在较短的时间内获得较高准确率的同时,MobileNet的权重仅有15.3 MB,兼顾计算量和精度,可以广泛移植到移动端设备.基于模型移植的移动端系统兼具拍照识别、相册识别、菜单展示等功能,为移动平台用户快速准确地判断自然场景中建筑物的信息提供了便捷工具.

关键词：迁移学习、深度学习、卷积神经网络、移动平台移植、人工智能

所属期刊栏目：47

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金61871444,31670554;南京林业大学大学生创新训练计划项目2017NFUSPITP231

在线出版日期：2019-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：10-15