隨著深度學(xué)習(xí)技術(shù)的不斷進(jìn)步,，對(duì)于通用對(duì)象的類(lèi)別分析，卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)達(dá)到了很高的水平,，但對(duì)于細(xì)粒度圖像分類(lèi)的穩(wěn)定性目前還有待提升,。所謂細(xì)粒度圖像分類(lèi)，通常用于描述對(duì)同一類(lèi)事物進(jìn)行細(xì)致的劃分,，所以待分類(lèi)圖像的區(qū)別要更加精準(zhǔn),，類(lèi)內(nèi)區(qū)別大而類(lèi)間區(qū)別小，粒度則更為精細(xì),。本文方法基于改進(jìn)的VGG16深度卷積神經(jīng)網(wǎng)絡(luò),。盡管原始的VGG16模型已經(jīng)擁有了良好的普適性和實(shí)用價(jià)值，并且在各種圖像分類(lèi)和目標(biāo)檢測(cè)任務(wù)中都體現(xiàn)了極佳的效果,，通過(guò)遷移學(xué)習(xí)改進(jìn)的VGG16模型,，能夠?qū)⒁蚜?xí)得的特征和性能應(yīng)用到待解決的問(wèn)題中，極大地節(jié)省了訓(xùn)練時(shí)間,。此外在硬件上選取GPU進(jìn)行訓(xùn)練,，使得速度得到進(jìn)一步提升。為了改善原始的交叉熵?fù)p失函數(shù)無(wú)法保證提取的特征具有識(shí)別度的缺點(diǎn),，在VGG16模型中引入將center loss損失函數(shù)與交叉熵?fù)p失函數(shù)相結(jié)合的辦法,。此外還運(yùn)用了新型的Swish激活函數(shù)，以及擁有自適應(yīng)學(xué)習(xí)率的Adam優(yōu)化器,。最后利用不同種類(lèi)的猴子訓(xùn)練集對(duì)改進(jìn)的模型重新訓(xùn)練,，以獲得少量微調(diào)的參數(shù)信息。經(jīng)驗(yàn)證該方法對(duì)猴子圖像識(shí)別的精準(zhǔn)度可提升到98.875%,，而原始的VGG16模型在該數(shù)據(jù)集上的分類(lèi)僅能達(dá)到90.210%的準(zhǔn)確率,，可以證明改進(jìn)后的模型具有更好的識(shí)別效果。

本文詳細(xì)內(nèi)容請(qǐng)下載：http://forexkbc.com/resource/share/2000003088

作者信息：田佳鷺,，鄧立國(guó)(沈陽(yáng)師范大學(xué) 數(shù)學(xué)與系統(tǒng)科學(xué)學(xué)院,遼寧 沈陽(yáng) 110034)