端到端双通道特征重标定DenseNet图像分类

• 作者: 张珂 王新胜 苑津莎 赵振兵 郭玉荣 马占宇
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 双通道特征重标定密集连接卷积神经网络 通道特征重标定 层间特征重标定 图像分类 端到端
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 图像分析和识别
• 页码范围: 486-497
• 页数: 12页
• 分类号: TP301.6
• 字数: 8233字
• 语种: 中文

摘要

目的 针对密集连接卷积神经网络(DenseNet)没有充分考虑通道特征相关性以及层间特征相关性的缺点,本文结合软注意力机制提出了端到端双通道特征重标定密集连接卷积神经网络.方法 提出的网络同时实现了DenseNet网络的通道特征重标定与层间特征重标定.给出了DenseNet网络通道特征重标定与层间特征重标定方法;构建了端到端双通道特征重标定密集连接卷积神经网络,该网络每个卷积层的输出特征图经过两个通道分别完成通道特征重标定以及层间特征重标定,再进行两种重标定后特征图的融合.结果 为了验证本文方法在不同图像分类数据集上的有效性和适应性,在图像分类数据集CIFAR-10/100以及人脸年龄数据集MORPH、Adience上进行了实验,提高了图像分类准确率,并分析了模型的参数量、训练及测试时长,验证了本文方法的实用性.与DenseNet网络相比,40层及64层双通道特征重标定密集连接卷积神经网络DFR-DenseNet (dual feature reweight DenseNet),在CIFAR-10数据集上,参数量仅分别增加1.87％、1.23％,错误率分别降低了12％、9.11％,在CIFAR-100数据集上,错误率分别降低了5.56％、5.41％;与121层DFR-DenseNet网络相比,在MORPH数据集上,平均绝对误差(MAE)值降低了7.33％,在Adience数据集上,年龄组估计准确率提高了2％;与多级特征重标定密集连接卷积神经网络MFR-DenseNet(multiple feature reweight DenseNet)相比,DFR-DenseNet网络参数量减少了一半,测试耗时约缩短为MFR-DenseNet的61％.结论 实验结果表明本文端到端双通道特征重标定密集连接卷积神经网络能够增强网络的学习能力,提高图像分类的准确率,并对不同图像分类数据集具有一定的适应性、实用性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵振兵	华北电力大学电子与通信工程系	54	713	15.0	25.0
2	苑津莎	华北电力大学电子与通信工程系	188	2334	27.0	40.0
3	张珂	华北电力大学电子与通信工程系	29	165	7.0	11.0
4	马占宇	北京邮电大学信息与通信工程学院人工智能研究院	4	7	1.0	2.0
5	郭玉荣	华北电力大学电子与通信工程系	3	3	1.0	1.0
6	王新胜	华北电力大学电子与通信工程系	2	2	1.0	1.0