基于改进的深度残差网络的图像识别

• 作者: 何庆 汤凯 王旭 赵群
• 来源期刊: 南京师大学报（自然科学版）
• 学科: 工学
• 关键词: 图像分类 深度学习 深度残差网络 空间变换网络
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 全国机器学习会议论文专栏
• 页码范围: 115-121
• 页数: 7页
• 分类号: TP183
• 字数: 3649字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-4616.2019.03.015

摘要

随着大数据时代的发展,深度学习也渐渐变得更加实用,引领人工智能时代的发展.卷积神经网络在图像领域中发挥着非常重要的作用,是深度学习模型中重要组成部分之一.图像识别的关键攻破点在于如何提取图像的有效特征,从而有效地解决图像识别问题.针对这一难点,本文主要在残差网络(ResNet)的基础上引入空间变换网络.空间变换网络可以有效地提取目标区域特征,提高图像识别效率.同时由于Softmax分类器提取的特征区分并不明显,甚至存在类内间距大于类间间距弊端.但在图像识别任务中期望特征不仅可分,而且要求类间分别提取的特征区分差异大.针对这一问题,本文在软最大值(Softmax)分类器中引入中心损失函数(Center Loss).Center Loss损失函数能够使得提取的特征类间距离大,类内距离小,从而提高提取的特征识别度.在公开的CIFAR10数据集上,该模型取得了不错的性能,识别准确率达到了89％.相同实验条件下,相对于未改善的残差网络模型,本文提出的模型在公开的CIFAR10数据集识别正确率提高了6％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王旭	贵州大学大数据与信息工程学院贵州省公共大数据重点实验室	47	189	7.0	11.0
2	何庆	贵州大学大数据与信息工程学院贵州省公共大数据重点实验室	34	203	5.0	13.0
3	汤凯	贵州大学大数据与信息工程学院贵州省公共大数据重点实验室	2	1	1.0	1.0
4	赵群	贵州大学大数据与信息工程学院贵州省公共大数据重点实验室	1	1	1.0	1.0