改进ResNet18网络模型的花卉识别

摘要：

花卉识别在生活中有重要的应用和研究价值.目前传统的花卉识别方法都是通过人工手动选择多个特征进行分类,存在识别准确率低、泛化能力较弱和分类时间长等问题.由于不同的花朵之间存在相似度,通过对每张图片随机变化,增强数据集,把花卉作为研究对象,提出了一种基于ResNet18网络模型优化的花卉识别方法.将ResNet18网络模型中残差块的基础卷积替换为空洞卷积,提取花卉图片更多的细节特征来实现高精度,接着在每个残差块后分别加入经过改进的通道注意力机制优化网络权重,构造改进的ResNet18网络模型,在Oxford 102 Flowers牛津花卉数据集上的实验进行了仿真.实验结果显示,在Oxford 102 Flowers牛津花卉数据集上ResNet网络模型相较于基础AlexNet、VGG-16网络模型准确率高.改进的ResNet网络模型识别精度可以高达97.78％,比仅使用空洞卷积的模型提高了3.11个百分点,比原模型提高了4.45个百分点.改进的ResNet18网络模型在花卉识别的泛化和拟合能力有显著的提高.

关键词：ResNet18、注意力机制、空洞卷积、花卉识别、深度学习

所属期刊栏目：32

分类号：TP39(计算技术、计算机技术)

资助基金：辽宁省教育科学研究项目L2016011

在线出版日期：2022-08-01（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：167-172