基于深度学习混合模型迁移学习的图像分类

被引：60

作者：

石祥滨 ^{[1
,2
,3
]}

房雪键 ^{[3
]}

张德园 ^{[1
]}

郭忠强 ^{[3
]}

机构：

[1] 沈阳航空航天大学计算机学院

[2] 沈阳航空航天大学辽宁通用航空重点实验室

[3] 辽宁大学信息学院

来源：

系统仿真学报 | 2016年 / 28卷 / 01期

关键词：

图像分类; 卷积神经网络; 受限玻尔兹曼机; 迁移学习; Softmax;

D O I：

10.16182/j.cnki.joss.2016.01.023

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

为提高深度模型迁移学习的特征识别力,提出一种基于受限玻尔兹曼机与卷积神经网络混合模型迁移学习的图像分类方法。该方法融合了2种模型特征的学习能力,提取图像的结构性高阶统计特征进行主题分类。该方法在迁移预训练的卷积神经网络模型到小目标集时,使用受限玻尔兹曼机代替卷积神经网络模型中的全连接层,在目标集上重新训练受限玻尔兹曼机层和Softmax层,并使用BP算法进行参数调整。加入的受限玻尔兹曼机层不仅全连接所有特征maps,还从最大对数似然的角度学习目标集特有的统计特征,消除了数据集间内容差异对迁移学习特征识别力的影响。在Pascal VOC2007和Caltech101数据集上的实验结果表明,该方法具有较高的分类准确率。

引用

页码：167 / 173+182 +182

页数：8