-
题名多尺度改进Xception的花卉图像分类方法
- 1
-
-
作者
赵正伟
朱宏进
-
机构
广西民族大学电子信息学院
-
出处
《广西民族大学学报（自然科学版）》
CAS
2023年第2期90-96,共7页
-
基金
广西混杂计算与集成电路设计分析重点实验室开放课题一般项目(HCIC201511)
广西民族大学高等教育改革项目(2020XJGY41)。
-
文摘
针对传统图像分类方法在花卉图像上存在分类效果不佳的问题,提出一种改进Xception网络的方法。首先结合Res2net中的多尺度模块来提高模型特征信息的丰富度,提出Multi_Xception网络,接着使用1×1卷积核对多尺度深度可分离卷积模块的输入特征图进行信道压缩,减少模型参数的同时进一步丰富模型特征信息,提出Multi2_Xception网络。将改进模型应用于Flowers Recognition花卉数据集分类,实验结果表明,该方法相较于原算法分类准确率提升了1.64%,F1-score提升了0.018,验证了多尺度Xception网络的有效性。
-
关键词
花卉图像分类
深度学习
卷积神经网络(CNN)
多尺度Xception
-
Keywords
Flower image classification
Deep learning
Convolutional neural network(CNN)
Multi-scale Xception
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于轻量级深层卷积神经网络的花卉图像分类系统
被引量：3
- 2
-
-
作者
徐光柱
朱泽群
尹思璐
刘高飞
雷帮军
-
机构
三峡大学计算机与信息学院
三峡大学水电工程智能视觉监测湖北省重点实验室
国药葛洲坝中心医院信息中心
-
出处
《数据采集与处理》
CSCD
北大核心
2021年第4期756-768,共13页
-
基金
国家自然科学基金(61402259,U1401252)资助项目
湖北省中央引导地方科技发展专项基金(2019ZYYD007)资助项目。
-
文摘
为解决深层卷积神经网络(Deep convolutional neural network,DCNN)模型在算力弱、存储成本高的AI边缘计算设备上难以高效应用的现实问题,本文利用重量级网络辅助训练轻量级网络,设计了一种基于轻量级神经网络的花卉图像分类系统。首先利用重量级DCNN并结合迁移学习、爬虫技术与最大连通区域分割方法,构建了适用于轻量级网络训练的扩充花卉数据集。然后基于Tiny⁃darknet与Darknet⁃reference两种网络及扩充后的花卉数据集训练得到两种面向弱算力设备的轻量级DCNN模型。训练得到的两种花卉分类网络在Oxford102花卉数据集上的平均分类准确率可达98.07%与98.83%,模型大小分别为4 MB与28 MB,在AI边缘计算设备中具有较好的应用前景。
-
关键词
花卉图像分类
深层卷积神经网络
深度学习
-
Keywords
flower image classification
deep convolutional neural network
deep learning
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名一种基于三支决策的花卉图像分类
被引量：6
- 3
-
-
作者
武慧琼
张素兰
张继福
胡立华
-
机构
太原科技大学计算机科学与技术学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2019年第7期1558-1563,共6页
-
基金
国家自然科学基金项目(61373099)资助
国家青年科学基金项目(61402316)资助
-
文摘
传统的基于二分类模式的花卉图像分类方法因图像信息不完整和不确定,分类精度不高.三支决策因其获取事物更多信息后再进行延迟决策,成为一种有效的分类模型.为提高花卉图像分类精度,本文给出一种基于三支决策的花卉图像分类方法.首先利用单一特征对花卉图像进行分类,并依据决策状态值选取适当的阈值将图像集三分为POS1域、BND1域和NEG1域;其次定义域之间的转移规则,并分别对BND1域和NEG1域所包含的图像提取新特征;然后融合新特征后分别对BND1域和NEG1域包含的图像进行分类,并依据决策状态值选取适当的阈值对相应的图像集继续三分,依此进行多层"三分-治略",进而提高图像分类精度;最后采用牛津大学VGG小组的花卉图像集,实验验证了该方法的有效性.
-
关键词
花卉图像分类
三支决策
多层“三分-治略”
转移规则
-
Keywords
flower images classification
three-way decisions
multi-level"trisecting-and-acting"
transfer rules
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名融合元胞自动机和特征加权花卉图像分类方法
- 4
-
-
作者
李哲妍
张素兰
胡立华
张继福
-
机构
太原科技大学计算机科学与技术学院
-
出处
《太原科技大学学报》
2018年第3期203-209,共7页
-
基金
国家青年科学基金(61402316)项目
校博士启动基金(20132005)项目
-
文摘
图像分割和特征融合是提高花卉图像分类精度的两个主要步骤,但是传统的图像分割方法常常会因花卉图像背景过于复杂而造成分割效果不佳,而且一般的特征融合方法忽略了不同特征对花卉分类贡献的不同。为有效提高花卉图像分类精度,提出一种基于元胞自动机和加权特征融合的花卉图像分类方法。首先,应用元胞自动机在目标和背景之间自然地形成一条明显的分界线,从而将花卉的主体区域从复杂背景中提取出来。其次,对提取的花卉主体区域的颜色特征和局部特征进行加权融合,然后利用SVM实现了花卉图像分类。最后,通过实验验证了该方法对花卉分类的有效性。
-
关键词
图像分割
元胞自动机
特征融合
加权特征
花卉图像分类
-
Keywords
image segmentation, cellular automaton, feature fusion, weighted charac teristic, fow erimage classification
-
分类号
TP273
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于迁移学习和逻辑回归模型的花卉分类研究
- 5
-
-
作者
陈卫国
莫胜撼
-
机构
广西机电职业技术学院电气工程学院
-
出处
《南方农机》
2024年第1期139-143,151,共6页
-
基金
2022年度广西高校中青年教师基础能力提升项目“迁移学习卷积神经网络在花卉识别分类上的研究与应用”(2022KY1078)
2022年度广西高校中青年教师基础能力提升项目“基于灰度模板匹配小型零件计数系统的研究与开发”(2022KY1072)。
-
文摘
【目的】不同种花卉之间的相似性以及同种花卉内部的多变性加大了花卉图像分类难度,其难点是要人工设计出能充分体现花卉颜色、形状和花瓣形态等特征的特征提取方法。传统的花卉图像分类方法的精度不高且模型的泛化能力较差,这些问题亟待解决。【方法】课题组提出一种基于数据增强的VGG16迁移学习卷积神经网络提取花卉图像特征,再训练多类逻辑回归模型的花卉图像分类识别方法;并且通过在flowers17和flowers102花卉数据集上进行测试,来验证课题组所提出的花卉分类识别方法的有效性。【结果】课题组所提出的花卉分类识别方法在flowers17和flowers102数据集中分别达到了97.89%和92.10%的分类精度,高于现有其他花卉图像分类方法。【结论】通过预训练的深度人工神经网络提取的高区分度的花卉图像特征,优于人工设定的花卉图像特征,能训练出更高效精准的花卉识别分类器。基于本研究内容,下一步可对VGG16网络进行降维改进,让模型参数减少,从而实现快速实时应用。
-
关键词
花卉图像分类
卷积神经网络
迁移学习
VGG16
逻辑回归模型
-
Keywords
flower image classification
convolutional neural networks
transfer learning
VGG16
logistic regression model
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
S126
[农业科学—农业基础科学]
-
-
题名多特征融合的花卉图像深度学习分类算法
被引量：14
- 6
-
-
作者
林思思
叶东毅
陈昭炯
-
机构
福州大学数学与计算机科学学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2018年第7期1446-1450,共5页
-
基金
国家自然科学基金项目(61502105)资助
-
文摘
许多图像分类问题具有类内相似而类间差异的特点,然而花卉图像的分类往往存在着类间相似和类内差异的现象,因此,基于传统人工设计的图像特征进行花卉图像分类效果一般不够理想.针对这个问题,本文提出融合深度特征和人工特征的花卉图像特征提取方法并在此基础上实现花卉图像的分类.首先构建基于卷积神经网络CNN的特征提取框架,然后利用CNN模型从颜色、亮度多特征角度提取目标对象特征,并利用CNN低层级上的特征图设计了一种基于卷积神经网络的纹理特征,最后将上述多个特征与传统的人工设计图像特征经过融合得到一组花卉图像特征.分类实验结果表明,本文提取的融合特征不仅维度低于传统的人工设计特征,而且具有更好的分类准确性.
-
关键词
卷积神经网络(CNN)
深度特征
人工特征
花卉图像分类
-
Keywords
convolutional neural network（ CNN ）
deep feature
manual feature
flower images classification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于知识蒸馏与改进ViT网络的花卉图像细粒度分类
- 7
-
-
作者
陈少真
叶武剑
刘怡俊
-
机构
广东工业大学信息工程学院
-
出处
《光电子．激光》
CSCD
北大核心
2024年第1期29-40,共12页
-
基金
广东省重点领域研发计划(2018B030338001)
广州市基础研究计划基础与应用基础研究项目(202201010595)
+1 种基金
广东省教育厅创新人才项目
广东工业大学青年百人项目(220413548)资助项目。
-
文摘
由于自然条件下拍摄的花卉图像背景复杂,而且其存在类内差异性大和类间相似性高的问题,现有主流方法仅依靠卷积模块提取花卉的局部特征难以实现准确的细粒度分类。针对上述问题,本文提出了1种高精度、轻量化的花卉分类方法(ConvTrans-ResMLP),通过结合Transformer模块和残差MLP(multi-layer perceptron)模块实现对花卉图像的全局特征提取,并在Transformer模块中加入卷积计算使得模型仍保留提取局部特征的能力;同时,为了进一步将花卉分类模型部署到边缘设备中,本研究基于知识蒸馏技术实现对模型的压缩与优化。实验结果表明,本文所提出的方法在Oxford 17、Oxford 102和自制的Flowers 32数据集上的准确率分别达98.62%、97.61%和98.40%;知识蒸馏后本文的轻量化模型的大小约为原来的1/18,而准确率仅下降2%左右。因此,本研究能较好地提升边缘设备下花卉细粒度分类的效率,对促进花卉培育的自动化发展具有切实意义。
-
关键词
深度学习
花卉图像分类
自注意力机制
知识蒸馏
迁移学习
-
Keywords
deep learning
flower image classification
self-attention mechanism
knowledge distillation
transfer learning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名应用卷积神经网络识别花卉及其病症
被引量：21
- 8
-
-
作者
林君宇
李奕萱
郑聪尉
罗雯波
许蕾
-
机构
南京大学计算机科学与技术系
-
出处
《小型微型计算机系统》
CSCD
北大核心
2019年第6期1330-1335,共6页
-
基金
国家自然科学基金项目(61272080,61403187)资助
江苏省自然科学基金项目(BK20140611)资助
2018年南京大学大学生创新训练计划项目(G201810284057)资助
-
文摘
随着我国花卉产业规模扩大,养花赏花人数不断增加,如何能够快速自动地识别花卉种类及花卉病症受到了广泛的关注.目前图像识别技术已有大量研究工作,卷积神经网络研究已获重大突破,其在花卉分类问题上的应用也有很大进展,但关于花卉疾病识别方面的研究仍然较少.针对10种常见观赏花卉,提供一个包含4种花卉的共16种叶部病症的图像数据集,结合网络多输入和迁移学习方法,设计并实现基于卷积神经网络的分类模型,集成为花卉分类-病症识别一体化工具.实验结果表明,所设计的基于卷积神经网络的分类模型有较高的准确率,病症识别总体准确率达到88. 2%,经迁移学习后提升至94. 4%,相比于基于支持向量机的分类模型准确率高出至少27. 0%.
-
关键词
卷积神经网络
花卉病症图像分类
多输入
支持向量机
迁移学习
-
Keywords
convolutional neural network
flower disease classification
multi-input
support vector machine
transfer learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
