科研之友
微信
新浪微博
Facebook
分享链接
摘要
在图像分类领域,由于细粒度图像具有类间差距小、类内差距大的特点,导致分类困难。细粒度图像往往存在训练数据不足的问题,使用大型卷积神经网络进行分类容易出现过拟合现象,导致出现分类网络庞大、网络推理时间长且精度不高的问题。为提高小样本细粒度图像分类的精度和速度,采用轻量化卷积神经网络结合迁移学习的方式训练细粒度图像分类网络,并使用随机数据增强方法扩充数据集。在CUB200鸟类图片数据集上的实验结果表明,该方法能够有效提升分类效率和准确率。
- 单位
在图像分类领域,由于细粒度图像具有类间差距小、类内差距大的特点,导致分类困难。细粒度图像往往存在训练数据不足的问题,使用大型卷积神经网络进行分类容易出现过拟合现象,导致出现分类网络庞大、网络推理时间长且精度不高的问题。为提高小样本细粒度图像分类的精度和速度,采用轻量化卷积神经网络结合迁移学习的方式训练细粒度图像分类网络,并使用随机数据增强方法扩充数据集。在CUB200鸟类图片数据集上的实验结果表明,该方法能够有效提升分类效率和准确率。
