典型文献
基于图像插值的小样本手写数字识别研究
文献摘要：
人工智能方法的高性能通常需要有充足的数据来训练模型参数.如何在数据量不足的情况下提升模型的性能,即小样本学习,是人工智能领域的重要研究方向之一.本文提出了基于图像插值的小样本学习策略,并在手写数字图像识别任务中验证了该策略的可行性.系统研究了全连接神经网络和卷积神经网络对MNIST和USPS手写数字图像识别的小样本学习性能.计算结果表明,基于图像插值的数据增强方法可以显著提升神经网络在小样本数据中的特征提取能力和学习效率,且选择合适的图像插值缩放系数可以进一步优化神经网络的小样本学习性能.
文献关键词：
人工智能;手写数字;小样本学习;计算机视觉;图像识别
中图分类号：
作者姓名：
宋伟;谢建平;高倩;谢良旭;许晓军
作者机构：
江苏理工学院电气信息工程学院,常州213001;湖州师范学院理学院,湖州313000;江苏理工学院计算机工程学院,常州213001;江苏理工学院生物信息与医药工程研究所,常州213001
文献出处：
引用格式：
[1]宋伟;谢建平;高倩;谢良旭;许晓军-.基于图像插值的小样本手写数字识别研究)[J].数据采集与处理,2022(02):298-307
A类：
B类：
图像插值,本手,手写数字识别,人工智能方法,训练模型,数据量,小样本学习,人工智能领域,学习策略,手写数字图像,数字图像识别,全连接神经网络,MNIST,USPS,学习性,数据增强,增强方法,小样本数据,特征提取能力,学习效率,缩放系数,优化神经网络,计算机视觉
AB值：
0.281798
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。
