基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型。首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集。基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征。使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试。选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证。结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56%和3.04%。其中改进的DenseNet网络比原网络模型精度分别提升9.13%、17.88%和10.27%。可见改进的卷积神经网络模型的分类精度得到有效提高。