论文摘要
铁路检测、监测领域产生海量的图像数据,基于图像场景进行分类对图像后续分析、管理具有重要价值.本文提出一种结合深度卷积神经神经网络DCNN （Deep Convolutional Neural Networks）与梯度类激活映射GradCAM （Grad Class Activation Mapping）的可视化场景分类模型, DCNN在铁路场景分类图像数据集进行迁移学习,实现特征提取, Grad-CAM根据梯度全局平均计算权重实现对类别的加权热力图及激活分数计算,提升分类模型可解释性.实验中对比了不同的DCNN网络结构对铁路图像场景分类任务性能影响,对场景分类模型实现可视化解释,基于可视化模型提出了通过降低数据集内部偏差提升模型分类能力的优化流程,验证了深度学习技术对于图像场景分类任务的有效性.
论文目录
文章来源
类型: 期刊论文
作者: 赵冰,李平,代明睿,马小宁
关键词: 深度学习,铁路图像,场景分类,可视化,迁移学习
来源: 计算机系统应用 2019年06期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 铁路运输,计算机软件及计算机应用
单位: 中国铁道科学研究院研究生部,中国铁道科学研究院铁路大数据研究与应用创新中心
基金: 铁科院院基金重大课题(2017YJ005)~~
分类号: TP391.41;U216
DOI: 10.15888/j.cnki.csa.006937
页码: 228-234
总页数: 7
文件大小: 1155K
下载量: 194