典型文献
融合CNN与交互特征的多标签图像分类方法
文献摘要：
图像在日常生活中广泛存在,图像分类具有重要的现实意义.针对当前多标签图像分类中因神经网络模型复杂以及提取到的图像特征信息不足而导致分类准确率较低、计算复杂度高等问题,提出一种融合卷积神经网络与交互特征的多标签分类方法,即MLCNN-IF模型.MLCNN-IF模型主要分成2步,首先参考传统CNN基本结构搭建一个仅有9层的轻量级神经网络(MLCNN),用于处理图像数据并提取特征;其次基于MLCNN提取的特征,通过交互特征方法产生各独立特征的组合特征,以此获得新的更丰富的特征集.实验结果表明,MLCNN-IF模型对比AlexNet、GoogLeNet和VGG16在4种多标签图像数据集上取得了更好的分类结果,其准确率和精准率分别平均提高9％和4.8％;同时MLCNN网络结构相对更简洁,有效降低了模型参数量和时间复杂度.
文献关键词：
卷积神经网络;多标签学习;深度学习;图像分类;交互特征
中图分类号：
作者姓名：
王盼红;朱昌明
作者机构：
上海海事大学信息工程学院,上海 201306
文献出处：
引用格式：
[1]王盼红;朱昌明-.融合CNN与交互特征的多标签图像分类方法)[J].计算机与现代化,2022(09):85-92
A类：
MLCNN
B类：
交互特征,多标签图像分类,分类方法,取到,图像特征,特征信息,分类准确率,计算复杂度,融合卷积神经网络,多标签分类,IF,基本结构,轻量级神经网络,提取特征,组合特征,征集,模型对比,AlexNet,GoogLeNet,VGG16,图像数据集,模型参数量,时间复杂度,多标签学习
AB值：
0.269439
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。
