10.3969/j.issn.2095-2163.2021.09.021
基于深度迁移学习的饮食图像识别研究
卷积神经网络(CNN)应用于图像识别具有很大优势,但是需要足够深的网络和大量标签完善的数据集才能发挥其优越性.实际应用中,往往需要应对的是质量差和大小不一的数据集,且受硬件设备限制.为了提高图像识别效率和精度,提出一种基于深度卷积神经网络和迁移学习的识别算法.该算法首先对图像预处理和数据增强,后迁移大样本提取出的特征信息用于CNN特征提取,再接入微调网络对数据集再训练.实验结果显示,本文算法对饮食识别的精度和时间性能均有显著的提高,精确度最高可达98％以上,精度提升最高可达10％以上,时间性能提升幅度最高可达110％.
深度学习;图像识别;卷积神经网络;迁移学习;微调网络;特征提取
11
TP391.4(计算技术、计算机技术)
贵州省科技成果转化项目[2017]4856
2021-11-16（万方平台首次上网日期，不代表论文的发表时间）
共7页
113-118,122
