典型文献
基于同步重建与分类的深度自编码的分类网络
文献摘要：
图像分类一直是计算机视觉领域中的研究热点,传统的图像分类研究多数为基于粗粒度图像分类,即不同类别的图像分类,而对于类间差异小,类内差异大的细粒度分类仍存在着挑战性.文章基于深度自编码框架提出采用一致性重建与分类损失函数来实现同步训练的深度自编码分类网络,可适用于仅用类别标签的细粒度图像分类.此外,文章还提出了一种加入自适应平均池化操作的分类网络,使得模型对不同尺寸的输入图像都适用,且该方法不仅可以实现二分类还可以实现多分类任务.在公开数据集Oxford 102 Flowers和ZJU-Leaper上分别展开多分类和二分类实验,平均分类精度分别达到了85.51％和95.43％.
文献关键词：
深度学习;图像分类;细粒度分类;深度自编码网络;缺陷检测
中图分类号：
作者姓名：
何文静;唐庭龙;吴义熔
作者机构：
三峡大学计算机与信息学院,湖北宜昌443002
文献出处：
引用格式：
[1]何文静;唐庭龙;吴义熔-.基于同步重建与分类的深度自编码的分类网络)[J].长江信息通信,2022(05):21-24
A类：
Leaper
B类：
分类网络,计算机视觉,分类研究,粗粒度,类间差异小,类内差异,细粒度分类,损失函数,编码分类,细粒度图像分类,平均池化,池化操作,不同尺寸,二分类,多分类,分类任务,公开数据集,Oxford,Flowers,ZJU,平均分,分类精度,深度自编码网络,缺陷检测
AB值：
0.33958
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。
