基于显著性检测和迁移学习的花卉图像分类

作者：吴迪; 刘秀磊^*; 侯凌燕; 刘旭红; 李红臣

来源：北京信息科技大学学报(自然科学版), 2019, 34(01): 55-63.

DOI：10.16508/j.cnki.11-5866/n.2019.01.011

• 花卉图像分割
• 显著性检测
• 迁移学习
• 深度神经网络
• 数据增强
• 图像分类

针对传统花卉分类方法和普通卷积神经网络很难将花卉背景的影响降低分类效果不理想的问题,提出一种将显著性检测和迁移学习相结合的方法。通过背景先验显著性的方法确定花卉区域,将花卉分割方法和基于迁移学习的深度神经网络分类方法结合,将训练迁移的InceptionV3网络用于花卉图像,利用训练好的网络模型对花卉图像进行分类。在国际公开花卉识别数据集Oxford flower-102上的实验表明:该模型比改进的Alex网络分类准确率高7.63%,且比未进行分割的花卉图像进行网络训练的模型准确率高2.85%,分类准确率达到了93.38%。

• 单位
  北京信息科技大学; 国家安全生产监督管理总局通信信息中心