科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提高计算机视觉领域细粒度分类方法性能，采用双线性卷积神经网络(B-CNN)对其进行建模研究。以StanfordCars汽车数据集为研究对象，开展细粒度图像分类分析。对B-CNN进行阐述。应用了组归一化、dropout技巧，调整可训练参数，并在汽车数据集上进行试验。比较了经典卷积神经网络和B-CNN。在网络训练中，合适的学习率有助于提升训练速度。在损失函数变化幅度变小到一定范围时，将学习率变小，可跳出局部最优解，寻找全局最优解，避免陷入死循环。结果显示，与单路神经网络相比，B-CNN在输入图像大小为(224,224)时，在汽车数据集中的准确率提升了16%。B-CNN适用于一些细粒度图像分类任务，能提升分类准确率，具有很好的实际应用效果。
-
单位徐州工程学院
