基于CNN和BIRCH聚类算法的类别增量学习

• 作者: 何子况 朱秋煜 赵璐
• 来源期刊: 电子测量技术
• 学科: 工学
• 关键词: BIRCH 聚类 CNN 增量学习 分类器
• 年，卷（期）: 2020,（11）
• 所属期刊栏目: 信息技术及图像处理
• 页码范围: 79-84
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.2004180

摘要

对于传统的图像批量处理和分类算法,一旦出现新的数据类别,原始的分类算法和模型将不再起作用.对于基于CNN的分类器,虽然可以大幅提高分类识别率,但面对新的数据类别,同样无能为力.因此,迫切需要探索具有增量学习能力的CNN图像分类算法.增量分类器可以快速更新模型,并且模型可以从新数据中学习新知识,同时保留所学知识.研究具有增量学习能力的多类别图像分类器,提出了一种基于聚类的增量分类器算法.算法使用卷积神经网络(convolutional neural network,CNN)对图像进行特征学习和提取,然后利用层次结构的平衡迭代规约和聚类(balanced iterative reducing and clustering using hierarchies,BIRCH)算法对新旧类别图像特征向量构建多个聚类特征树(CF tree,Cluster Feature Tree),优化类别边界,基于子簇形心集进行分类.实验结果表明,提出的基于聚类的增量学习算法能够有效地应用在类别增量学习的场合.在深度学习特征提取的基础上,实现模型的增量式迭代分类.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	朱秋煜		47	308	10.0	15.0
2	赵璐		7	0	0.0	0.0
3	何子况		2	0	0.0	0.0