Print

基于迁移学习与自适应特征融合的建筑物识别

论文摘要

特定建筑物识别可应用于旅游景点地点的查询。针对现有特定建筑物识别方法特征提取困难、识别率低等问题,提出一种基于卷积神经网络的特定建筑物识别方法。针对数据规模小的限制,提出利用预训练的VGG-16网络进行迁移学习,以改善网络效果。为了充分利用VGG-16网络中各层提取出的特征,提出自适应特征融合的方法。该方法针对网络中不同层提取出的特征图的层次不同、尺度不同的特点,给每个特征图设置可学习的权重,进而融合在一起进行预测。通过从网络上爬取的6 273张12类旅游景点建筑物图片作为数据集,对提出的方法进行验证。使用VGG-16网络训练,最终准确率为97.86%,处理速度为296 fps。利用自适应特征融合改进VGG-16网络,改进后最终准确率为98.93%,处理速度为289 fps,比改进前准确率提高1.07%。

论文目录

  • 0 引 言
  • 1 自适应特征融合的建筑物识别方法
  •   1.1 方法概述
  •   1.2 数据来源与预处理
  •   1.3 自适应特征融合的网络结构
  • 2 实验过程与结果
  •   2.1 训练过程
  •   2.2 实验平台
  •   2.3 评价指标
  •   2.4 实验结果对比
  • 3 结束语

    • 文章来源

    类型: 期刊论文

    作者: 王泽泓,刘厚泉

    关键词: 建筑物识别,卷积神经网络,迁移学习,自适应,特征融合

    来源: 计算机技术与发展 2019年12期

    年度: 2019

    分类: 信息科技,工程科技Ⅱ辑

    专业: 建筑科学与工程,计算机软件及计算机应用,自动化技术

    单位: 中国矿业大学计算机科学与技术学院

    基金: 国家级大学生创新训练计划(201710290053)

    分类号: TP391.41;TP183;TU201

    页码: 40-43

    总页数: 4

    文件大小: 1234K

    下载量: 228

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/b81571a9a924c470bd73540f.html