论文部分内容阅读
针对小规模物体图像识别过程中训练样本不足、准确率低,而深度卷积神经网络模型开发难度较大等问题,提出一种基于特征迁移的方法。首先对数据进行归一化等预处理,然后从预训练模型迁移不同层的特征到小样本数据集的训练中,修改预训练模型的分类层参数。最后以验证集的正确率和损失率作为评估指标,在GRAZ-02数据集上进行实验。结果表明,通过迁移VGG16网络的底层特征,再训练顶层网络,图像识别的正确率可达到95.28%,相比普通卷积神经网络模型可提高20个百分点。通过实验证实了采用特征迁移方法可以对小样本物体图像数