基于迁移学习改进VGG模型的场景分类

基于视觉分析的图像场景识别分类技术已经被广泛地研究和运用在许多相关学科的领域中。场景划分技术是图像场景识别基础性的工作。本文构建迁移学习改进VGG16模型,采用VGG16卷积神经网络结构,核心运算功能为五组卷积神经运算相互操作,每两组之间运算可以直接达到Max-Pooling14空间的卷积降维;同一组内部可以同时进行多次连续的3×3卷积,卷积核所需要数量从较浅组的64逐渐增多至最深组的512;卷积之后连接到两层完整的全反向连接层,之后是分类层。该模型应用在场景分类的数据集上,能够快速学习特征并极大地节省了训练时间,并对图片场景进行较精确的分类。