基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
铁路检测、监测领域产生海量的图像数据,基于图像场景进行分类对图像后续分析、管理具有重要价值.本文提出一种结合深度卷积神经神经网络DCNN(Deep Convolutional Neural Networks)与梯度类激活映射Grad-CAM(Grad Class Activation Mapping)的可视化场景分类模型,DCNN在铁路场景分类图像数据集进行迁移学习,实现特征提取,Grad-CAM根据梯度全局平均计算权重实现对类别的加权热力图及激活分数计算,提升分类模型可解释性.实验中对比了不同的DCNN网络结构对铁路图像场景分类任务性能影响,对场景分类模型实现可视化解释,基于可视化模型提出了通过降低数据集内部偏差提升模型分类能力的优化流程,验证了深度学习技术对于图像场景分类任务的有效性.
推荐文章
图像场景识别中深度学习方法综述
场景识别
场景分类
深度学习
图像特征
计算机视觉
基于模糊KNN的刑侦图像场景分类
刑侦图像
纹理特征
场景分类
模糊KNN
隶属度
基于加权优化的自然场景分类方法研究
自然场景分类
加权优化
文字激活力矩阵
局部约束线性编码
支持向量机
基于SSAE深度学习特征表示的高光谱遥感图像分类方法
高光谱遥感图像分类
堆叠稀疏自动编码器
深度学习
特征表示
支持向量机
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于深度学习的铁路图像场景分类优化研究
来源期刊 计算机系统应用 学科
关键词 深度学习 铁路图像 场景分类 可视化 迁移学习
年,卷(期) 2019,(6) 所属期刊栏目 研究开发
研究方向 页码范围 228-234
页数 7页 分类号
字数 3281字 语种 中文
DOI 10.15888/j.cnki.csa.006937
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 李平 中国铁道科学研究院铁路大数据研究与应用创新中心 64 643 15.0 23.0
2 代明睿 中国铁道科学研究院铁路大数据研究与应用创新中心 11 119 6.0 10.0
3 马小宁 中国铁道科学研究院铁路大数据研究与应用创新中心 26 187 6.0 13.0
4 赵冰 中国铁道科学研究院研究生部 4 11 2.0 3.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (4)
共引文献  (3)
参考文献  (5)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2002(1)
  • 参考文献(1)
  • 二级参考文献(0)
2005(1)
  • 参考文献(1)
  • 二级参考文献(0)
2009(1)
  • 参考文献(0)
  • 二级参考文献(1)
2014(1)
  • 参考文献(1)
  • 二级参考文献(0)
2015(1)
  • 参考文献(0)
  • 二级参考文献(1)
2016(1)
  • 参考文献(0)
  • 二级参考文献(1)
2017(2)
  • 参考文献(1)
  • 二级参考文献(1)
2018(1)
  • 参考文献(1)
  • 二级参考文献(0)
2019(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
深度学习
铁路图像
场景分类
可视化
迁移学习
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机系统应用
月刊
1003-3254
11-2854/TP
大16开
北京中关村南四街4号
82-558
1991
chi
出版文献量(篇)
10349
总下载数(次)
20
总被引数(次)
57078
论文1v1指导