首页  |  期刊简介  |  稿件审稿流程  |  学术道德规范  |  编委会  |  征订启事  |  联系我们  |  English
中文核心期刊
中国科技论文统计源期刊
国际刊号:1004-9037
国内刊号:32-1367/TN
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中国科学技术协会
  • 主办:南京航空航天大学
  •           中国电子学会
  • 国际刊号:1004-9037
  • 国内刊号:32-1367/TN
  • 地址:南京市御道街29号
  • 电话:025-84892742
  • 传真:025-84892742
  • E-mail:sjcj@nuaa.edu.cn
  • 邮编:210016
叶长波,朱倍佐,李宝宝,张小飞.基于轻量级深层卷积神经网络的花卉图像分类系统[J].数据采集与处理,2021,36(4):756-768
基于轻量级深层卷积神经网络的花卉图像分类系统
Flower Image Classification System Based on Lightweight DCNN
投稿时间:2020-08-28  修订日期:2021-03-09
DOI:10.16337/j.1004-9037.2021.04.014
中文关键词:  花卉图像分类  深层卷积神经网络  深度学习
英文关键词:flower image classification  deep convolutional neural network  deep learning
基金项目:国家自然科学基金(61402259,U1401252)资助项目;湖北省中央引导地方科技发展专项基金(2019ZYYD007)资助项目。
作者单位邮编
叶长波 南京航空航天大学天地一体频谱认知智能实验室,南京 211106, 中国
南京航空航天大学电子信息工程学院, 南京 211106, 中国 
211106
朱倍佐 南京航空航天大学天地一体频谱认知智能实验室,南京 211106, 中国
南京航空航天大学电子信息工程学院, 南京 211106, 中国 
211106
李宝宝 南京航空航天大学天地一体频谱认知智能实验室,南京 211106, 中国
南京航空航天大学电子信息工程学院, 南京 211106, 中国 
211106
张小飞 南京航空航天大学天地一体频谱认知智能实验室,南京 211106, 中国
南京航空航天大学电子信息工程学院, 南京 211106, 中国 
211106
摘要点击次数: 64
全文下载次数: 139
中文摘要:
      为解决深层卷积神经网络(Deep convolutional neural network, DCNN)模型在算力弱、存储成本高的AI边缘计算设备上难以高效应用的现实问题,本文利用重量级网络辅助训练轻量级网络,设计了一种基于轻量级神经网络的花卉图像分类系统。首先利用重量级DCNN并结合迁移学习、爬虫技术与最大连通区域分割方法,构建了适用于轻量级网络训练的扩充花卉数据集。然后基于Tiny-darknet与Darknet-reference两种网络及扩充后的花卉数据集训练得到两种面向弱算力设备的轻量级DCNN模型。训练得到的两种花卉分类网络在Oxford102花卉数据集上的平均分类准确率可达98.07%与98.83%,模型大小分别为4 MB与28 MB,在AI边缘计算设备中具有较好的应用前景。
英文摘要:
      To solve the problem that deep convolutional neural network (DCNN) models with heavy weights are difficult to be effectively applied on AI edge devices with weak computing power and high storage costs, a flower image classification system equipped with a lightweight DCNN is proposed with the help of a heavyweight DCNN during training process. First, an extended flower data set suitable for lightweight DCNN training is constructed by using a heavyweight DCNN combined with transferring learning, the crawler technology and the maximum connected region segmentation method. Then, two lightweight DCNN models, Tiny-Darknet and Darknet-Reference, oriented for devices with weak computer power are trained based on the specially built flower image gallery. Experimental results show that the two optimized models obtained can achieve 98.07% and 98.83% average classification accuracy respectively on Oxford102 flower dataset while keeping the model size as 4 MB and 28 MB, which have promising application potentials for AI edge computer devices.
查看全文  HTML  查看/发表评论

Copyright @2010-2015《数据采集与处理》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892742      传真:025-84892742       E-mail:sjcj@nuaa.edu.cn

您是本站第2276639位访问者 本站今日一共被访问583

技术支持:北京勤云科技发展有限公司