-
题名深层缩聚—激发残差网络的植物叶片识别方法
- 1
-
-
作者
杨华勇
李润林
付铂瑞
-
机构
武汉城市学院信息工程学部
-
出处
《软件导刊》
2023年第3期189-195,共7页
-
基金
教育部产学研协同育人项目(202101017029)
地方高校国家级大学生创新创业训练计划项目(202113235002)
湖北省高等学校优秀中青年科技创新团队计划项目(T2022060)。
-
文摘
在植物叶片识别中,叶片的形状通常具有小的类间差异和大的类内变化,给其准确识别带来了很大挑战,由此提出一种基于深层缩聚—激发网络的高精度植物叶片识别方法。在深层残差神经网络基础上,首先通过缩聚与激发操作,学习出每个卷积通道在分类任务中的重要程度,然后根据重要程度重新调整每个通道的权重,从而实现对相应通道进行抑制和提升。在经典的叶片识别数据集Flavia上进行评估,结果表明,该方法在识别精度和对噪声鲁棒性方面均优于其他经典方法,而且在复杂条件下的平均识别精度可达到97.75%。
-
关键词
叶片识别
卷积神经网络
残差
缩聚—激发
重配权重
-
Keywords
leaf recognition
convolutional neural networks(CNNs)
residual
squeeze-and-excitation
rescale weight
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名改进残差神经网络在遥感图像分类中的应用
被引量：9
- 2
-
-
作者
刘春容
宁芊
雷印杰
陈炳才
-
机构
四川大学电子信息学院
新疆师范大学物理与电子工程学院
大连理工大学计算机科学与技术学院
-
出处
《科学技术与工程》
北大核心
2021年第31期13421-13429,共9页
-
基金
国家自然科学基金(U1903215)
新疆维吾尔自治区区域协同创新专项(科技援疆计划)(2019E0214)。
-
文摘
针对传统卷积神经网络随着深度加深而导致网络退化以及计算量大等问题,提出一种改进残差神经网络的遥感图像场景分类方法。该方法以残差网络ResNet50作为主框架,在残差结构中引入深度可分离卷积和分组卷积,减少了网络的参数量和计算量,加快模型收敛的同时也提升了分类精度。此外在网络中嵌入多尺度squeeze and excitation block模块对通道特征进行重校准,提取出更加重要的特征信息,进一步提升了网络的分类性能。在航空图像数据集(aerial image dataset,AID)和UCMerced_Land Use两个公开数据集上的分类精度分别为91.92%和93.52%,相比常规残差网络分类精度分别提高了3.38%和10.24%,证明所提方法在遥感图像场景分类任务中的可行性和有效性。
-
关键词
遥感图像
场景分类
残差神经网络
分组卷积
深度可分离卷积
多尺度缩聚与激发模块
-
Keywords
remote sensing image
scene classification
residual neural network
grouping convolution
depthwise separable convolution
multi-scale squeeze and excitation block
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
