资料下载
如何使用复杂网络描述进行图像深度卷积的分类方法介绍
分享资料个
为了在不增加较多计算量的前提下，提高卷积网络模型用于图像分类的正确率，提出了一种基于复杂网络模型描述的图像深度卷积分类方法。首先，对图像进行复杂网络描述，得到不同阈值下的复杂网络模型度矩阵；然后，在图像度矩阵描述的基础上，通过深度卷积网络得到特征向量；最后，根据得到的特征向量进行K近邻（KNN）分类。在ILSVRC2014数据库上进行了验证实验，实验结果表明，所提出的模型具有较高的正确率和较少的迭代次数。
纹理是非常重要的图像识别特征之一，对图像纹理进行合理描述是图像分类识别的基础，图像纹理包含了非常丰富的图像信息，可以应用于多种任务，如基于内容的图像检索、图像分割、图像融合、图像分类或者聚类等。图像纹理特征描述的方法主要有基于几何学的特征描述、基于模型的特征描述、基于信号处理的特征描述，以及基于统计的特征描述。基于复杂网络模型的纹理特征描述方法属于基于统计的特征描述的一种，具有稳定性好、抗噪声能力强等优点。
在计算机视觉领域，图像分类一直是研究的重点之一。传统基于特征的图像分类方法都是先定义一种特征，再根据预先定义的特征进行分类识别，存在着泛化能力弱、可移植性差、准确度相对较差的缺点。深度学习作为机器学习的重要发展，能够逐层地自动学习合适的表示特征，因而在众多领域中得到了广泛应用，如人脸特征点检测、行人检测、人脸识别和车牌识别等。卷积神经网络作为深度学习的三大重要模型之一，继承了深度学习技术自动提取特征的优点，并且通过权值共享大大减少了所需要训练的参数，使卷积神经网络（ Convolutional Neural Network．CNN）能快速处理高维图像，还具备一定的平移不变性，因此在图像分类领域取得了较好的效果，其在手写数字识别以及人脸识别方面都被验证有着较好的性能。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
