基于AlexNet网络的动物图片分类

论文摘要

Caffe是目前广泛应用于计算机视觉处理的深度学习框架之一,支持卷积神经网络的模型训练与预测。本文利用caffe支持的AlexNet卷积神经网络分别基于加载与不加载基础模型两种模式对五类动物图片进行分类学习与训练,发现加载基础模型的网络模型收敛耗时仅2.77 s,测试集准确率接近100%,实用测试准确率达到99%,且训练与测试损失曲线高度重合,但另一模式的网络模型收敛耗时多达68.89 s,测试集准确率仅为95%,实用测试准确率仅94%,且训练与测试损失曲线存在严重分化。图像分类不仅可以对不同物类的图像进行准确分类,同样可以对不同属性、状态或特性的图像进行准确分类。

论文目录

文章来源

类型: 期刊论文

作者: 周德良

关键词: 网络,基础模型,图像分类

来源: 贵州大学学报(自然科学版) 2019年06期

年度: 2019

分类: 基础科学,信息科技

专业: 计算机软件及计算机应用,自动化技术

单位: 北京中电易达科技有限公司

分类号: TP391.41;TP183

DOI: 10.15958/j.cnki.gdxbzrb.2019.06.15

页码: 73-77

总页数: 5

文件大小: 1792K

下载量: 466

相关论文文献

标签：网络论文;  基础模型论文;  图像分类论文;