双核压缩激活神经网络艺术图像分类

• 作者: 张华熊 杨秀芹
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 艺术图像分类 深度可分离卷积 卷积神经网络 整体特征 局部细节特征
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 图像分析和识别
• 页码范围: 967-976
• 页数: 10页
• 分类号: TP391.4
• 字数: 4935字
• 语种: 中文

摘要

目的 为了充分提取版画、中国画、油画、水彩画和水粉画等艺术图像的整体风格和局部细节特征,实现计算机自动分类检索艺术图像的需求,提出通过双核压缩激活模块(double kernel squeeze-and-excitation,DKSE)和深度可分离卷积搭建卷积神经网络对艺术图像进行分类.方法 根据SKNet(selective kernel networks)自适应调节感受野提取图像整体与细节特征的结构特点和SENet(squeeze-and-excitation networks)增强通道特征的特点构建DKSE模块,利用DKSE模块分支上的卷积核提取输入图像的整体特征与局部细节特征;将分支上的特征图进行特征融合,并对融合后的特征图进行特征压缩和激活处理;将处理后的特征加权映射到不同分支的特征图上并进行特征融合;通过DKSE模块与深度可分离卷积搭建卷积神经网络对艺术图像进行分类.结果 使用本文网络模型对有无数据增强(5类艺术图像数据增强后共25 634幅)处理的数据分类,数据增强后的分类准确率比未增强处理的准确率高9.21％.将本文方法与其他网络模型和传统分类方法相比,本文方法的分类准确率达到86.55％,比传统分类方法高26.35％.当DKSE模块分支上的卷积核为1×1和5×5,且放在本文网络模型第3个深度可分离卷积后,分类准确率达到87.58％.结论 DKSE模块可以有效提高模型分类性能,充分提取艺术图像的整体与局部细节特征,比传统网络模型具有更好的分类准确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张华熊	浙江理工大学信息学院	53	215	8.0	12.0
2	杨秀芹	浙江理工大学信息学院	1	0	0.0	0.0