典型文献
改进卷积神经网络的苹果叶分类方法
文献摘要：
基于机器学习和深度学习的叶分类图像模型过于关注某一类特征而忽视了模型的泛化能力,导致叶片的分类准确度不高、时间开销大.针对这一问题,在研究密集卷积神经网络的基础上,以苹果叶为对象,通过以下几种方法来提高检测效果:(1)增加一个数据不连续掩模层,以缓解训练神经网络时的过拟合现象;(2)使用广义平均池化改造原有池化方法,以增大输入特征的对比度,专注于输入特征图突出的部分,更好地利用来自卷积层输出张量的信息;(3)使用基于标签平滑(LableSmoothing)损失函数防止模型训练时过度拟合.仿真实验表明:改进后的算法不仅可发现原有数据集中存在的同一种病叶的错误标签分类问题,同时提高了整个苹果叶的检测效果.
文献关键词：
植物病理;图像分类;数据增强;池化策略;标签平滑
中图分类号：
作者姓名：
王文涛;柳鸣;赵志伟;王嘉鑫
作者机构：
中南民族大学 计算机科学学院,武汉 430074
文献出处：
引用格式：
[1]王文涛;柳鸣;赵志伟;王嘉鑫-.改进卷积神经网络的苹果叶分类方法)[J].中南民族大学学报（自然科学版）,2022(01):71-78
A类：
LableSmoothing
B类：
改进卷积神经网络,苹果叶,分类方法,基于机器学习,泛化能力,开销,密集卷积神经网络,几种方法,高检,检测效果,掩模,过拟合,平均池化,大输,输入特征,对比度,特征图,卷积层,张量,标签平滑,损失函数,模型训练,过度拟合,错误标签,标签分类,分类问题,植物病理,图像分类,数据增强,池化策略
AB值：
0.442024
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
