典型文献
基于B-CNN算法的汽车数据集细粒度图像分类分析
文献摘要：
为了提高计算机视觉领域细粒度分类方法性能,采用双线性卷积神经网络(B-CNN)对其进行建模研究.以StanfordCars汽车数据集为研究对象,开展细粒度图像分类分析.对B-CNN进行阐述.应用了组归一化、dropout技巧,调整可训练参数,并在汽车数据集上进行试验.比较了经典卷积神经网络和B-CNN.在网络训练中,合适的学习率有助于提升训练速度.在损失函数变化幅度变小到一定范围时,将学习率变小,可跳出局部最优解,寻找全局最优解,避免陷入死循环.结果显示,与单路神经网络相比,B-CNN在输入图像大小为(224,224)时,在汽车数据集中的准确率提升了16％.B-CNN适用于一些细粒度图像分类任务,能提升分类准确率,具有很好的实际应用效果.
文献关键词：
计算机视觉;细粒度图像分类;双线性卷积神经网络;汽车数据集;最优解;建模;学习率;训练速度
中图分类号：
作者姓名：
韩成春;崔庆玉
作者机构：
徐州工程学院电气与控制工程学院,江苏 徐州 221018;徐州工程学院外国语学院,江苏 徐州 221018
文献出处：
引用格式：
[1]韩成春;崔庆玉-.基于B-CNN算法的汽车数据集细粒度图像分类分析)[J].自动化仪表,2022(03):7-10
A类：
汽车数据集,StanfordCars
B类：
细粒度图像分类,分类分析,计算机视觉,细粒度分类,分类方法,双线性卷积神经网络,建模研究,集为,dropout,网络训练,学习率,训练速度,损失函数,跳出局部,局部最优解,全局最优解,死循环,路神,准确率提升,分类任务,分类准确率,实际应用效果
AB值：
0.211769
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。
