典型文献
使用改进自编码器的细粒度图像分类研究
文献摘要：
针对深度连续聚类算法(Deep Continuous Clustering,DCC)特征提取能力有限,对复杂图像不能提取足够有效细节特征的不足,本文提出一个新的循环卷积自编码器(Recurrent Convolutional Auto-Encoder,R-CAE).自编码器结合门控循环网络GRU和卷积网络CNN构造编码层;同时在门控循环网络GRU部分添加空间域注意力通道,增强网络的特征学习能力.图像信息经过R-CAE自编码器编码后获取细节信息,传入经典卷积神经网络学习特征;当优化结果接近或者达到聚类阈值的时候,获得最终的聚类结果实现分类.训练过程中,模型首先预训练,确定自编码器参数;然后结合编码部分和经典网络学习训练,微调网络参数.本文通过实验证明了改进方法结合DCC在聚类实验中优于大部分经典聚类算法,在针对真实图像的细粒度分类实验中也有显著的进步.
文献关键词：
深度聚类;自编码;GRU;CNN;细粒度图像分类
中图分类号：
作者姓名：
魏赟;李凌鹤
作者机构：
上海理工大学 光电信息与计算机工程学院,上海200093
文献出处：
引用格式：
[1]魏赟;李凌鹤-.使用改进自编码器的细粒度图像分类研究)[J].小型微型计算机系统,2022(01):111-116
A类：
B类：
细粒度图像分类,分类研究,聚类算法,Deep,Continuous,Clustering,DCC,特征提取能力,复杂图,细节特征,循环卷积,卷积自编码器,Recurrent,Convolutional,Auto,Encoder,CAE,门控循环网络,GRU,卷积网络,编码层,空间域注意力,特征学习能力,图像信息,细节信息,传入,神经网络学习,学习特征,结果实,训练过程,预训练,合编,部分和,学习训练,微调网络,网络参数,改进方法,细粒度分类,深度聚类
AB值：
0.384976
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。
