排序方式: 共有4条查询结果,搜索用时 109 毫秒
1
1.
2.
针对当前图像多标签分类方法只关注图像本体类别信息(本体),而忽略图像深层次语义信息(隐义)的问题,本文提出了一种"本体-隐义"融合学习的图像多标签分类模型。该模型首先利用CNN中间层和较高层分别学习图像的本体信息和隐义信息,然后利用本体信息与隐义信息之间的依赖关系设计了融合学习模型,同时对提出模型的不同中间层特征和模型的不同结构进行了深入研究,最终实现了对图像中多类别以及各类别蕴含的隐义信息分类。在传统民族服饰纹样图像数据集上进行实验,得到图像本体多标签分类和隐义多标签分类的mAP分别为0.88和0.82;在Scene数据集上进行对比实验,本文模型在Hamming loss,One-error以及Average precision指标上分别优于其他最好方法0.103,0.091和0.083,实验结果证明了本文方法的有效性和优越性。 相似文献
3.
基于改进Fisher准则的深度卷积神经网络识别算法 总被引:1,自引:0,他引:1
为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果. 相似文献
4.
1