典型文献
基于多尺度密集连接网络的矿物图像智能识别
文献摘要：
针对判定矿物种属的传统网络由于计算复杂度高及网络参数量大而导致其应用部署所需环境资源要求高的问题,提出了一种基于多尺度密集连接的网络模型(Multi-Scale Densely connected convolutional Network,MS-DenseNet)用于矿物的智能识别.首先,为了使网络具有多尺度特征学习能力,在密集连接网络中引入多尺度卷积结构;其次,采用分组卷积策略优化网络结构;最后,在网络尾部采用跳跃连接结构以减少特征信息损失.在自建矿物数据集上的实验结果显示,网络模型的验证集和测试集准确率分别达到90.54％和88.06％,表明该网络模型具有良好的识别能力.
文献关键词：
矿物图像;多尺度密集连接;分组卷积;智能识别;网络模型
中图分类号：
作者姓名：
杨彪;马亦骥;倪瑞璞;苏森涛;曾德明
作者机构：
昆明理工大学信息工程与自动化学院,云南昆明 650500;昆明理工大学云南省人工智能重点实验室,云南昆明 650500;昆明理工大学非常规冶金教育部重点实验室,云南昆明 650093
文献出处：
引用格式：
[1]杨彪;马亦骥;倪瑞璞;苏森涛;曾德明-.基于多尺度密集连接网络的矿物图像智能识别)[J].云南大学学报（自然科学版）,2022(06):1118-1126
A类：
B类：
多尺度密集连接,密集连接网络,矿物图像,图像智能识别,种属,计算复杂度,网络参数,参数量,应用部署,环境资源,Multi,Scale,Densely,connected,convolutional,Network,DenseNet,多尺度特征学习,特征学习能力,多尺度卷积,分组卷积,策略优化,尾部,跳跃连接,连接结构,特征信息,信息损失,验证集,测试集,识别能力
AB值：
0.423075
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。
