基于ResNet50改进模型的图像分类研究

摘要：

针对深度学习中残差网络ResNet50存在的信息丢失、特征提取不充分、网络过拟合和训练困难等问题,文中提出一种基于改进ResNet50的图像分类算法.针对残差网络ResNet50在提取特征时存在丢失输入特征映射情况,造成信息丢失的问题,对主干网络中Stage4的下采样块添加平均池化层,进一步提高网络特征提取能力;针对ResNet50训练过程中存在网络过拟合以及泛化能力差的问题,使用标签平滑方法对交叉熵损失函数进行修改,有效缓解网络损失值震荡幅度;针对ResNet50计算量大、训练困难的问题,使用混合精度和余弦退火衰减方法对模型进行训练,在加快网络收敛速度的同时提高模型的分类精度.实验结果表明,与原ResNet50网络相比,文中算法在ImageNet-1k数据集上Top1和Top5的精度分别提升3.2％和1.6％,能够更好地应用于图像分类任务.

关键词：图像分类、改进ResNet50、分类训练、网络特征提取、函数修改、模型训练

所属期刊栏目：46

分类号：TN711-34;TP391.4(基本电子电路)

资助基金：国家自然科学基金;江西省核地学数据科学与系统工程技术研究中心开放基金项目

在线出版日期：2023-02-21（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：107-112