基于稀疏化双线性卷积神经网络的细粒度图像分类

论文摘要

针对双线性卷积神经网络（B-CNN）在细粒度图像分类中因参数过多、复杂度过高而导致的过拟合问题,提出稀疏化B-CNN.首先对B-CNN的每个特征通道引入比例因子,在训练中采用正则化方法对其稀疏.然后利用比例因子的大小判别特征通道的重要性.最后将不重要特征通道按一定比例裁剪,消除网络过拟合,提高关键特征的显著性.稀疏化B-CNN属于弱监督学习,可实现端到端训练.在FGVC-aircraft、Stanford dogs、Stanford cars这3个细粒度图像数据集上的实验表明,稀疏化B-CNN的准确率高于B-CNN,也优于或基本接近其它通用的细粒度图像分类算法.

论文目录

1 稀疏化双线性卷积神经网络模型

1.1 双线性卷积神经网络模型

1.1.1 B-CNN的特征函数

1.1.2 B-CNN的正则化和分类

1.2 通道级稀疏与剪枝的实现

1.2.1 B-CNN通道级稀疏的困难

1.2.2 比例因子和稀疏惩罚项

1.2.3 B-CNN特征通道的裁剪和网络微调

2 实验及结果分析

2.1 在FGVC-aircraft数据集上的分类实验

2.2 在Stanford dogs 数据集上的分类实验

2.3 在Stanford cars数据集上的分类实验

3 结束语

文章来源

类型: 期刊论文

作者: 马力,王永雄

关键词: 细粒度图像分类,双线性卷积神经网络,过拟合,网络稀疏,网络剪枝

来源: 模式识别与人工智能 2019年04期

年度: 2019

分类: 信息科技

专业: 计算机软件及计算机应用,自动化技术

单位: 上海理工大学光电信息与计算机工程学院,上海康复器械工程技术研究中心

基金: 国家自然科学基金项目(No.61673276,61703277)资助~~

分类号: TP391.41;TP183

DOI: 10.16451/j.cnki.issn1003-6059.201904006

页码: 336-344

总页数: 9

文件大小: 2787K

下载量: 318

基于稀疏化双线性卷积神经网络的细粒度图像分类

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢