基于交叉多尺度深度残差网络的陶瓷器型分类

【目的】利用神经网络模型解决少样本陶瓷器型分类问题,通过多尺度和注意力机制优化,提高模型针对陶瓷器型分类的性能。【方法】提出一种基于坐标注意力机制和多尺度融合的瓶颈结构,并将其应用于残差网络中,引入尺度之间的关系,提升残差网络在多尺度方面的建模能力。【结果】在陶瓷器型图像公共数据集上,本文模型只需进行少样本学习即能达到95.71%的分类准确率,相比基准模型ResNet50提升了1.01个百分点。在精确率、召回率和F1分数指标上,本文模型比ResNeSt50分别提升了20.43、20.53和20.52个百分点。【局限】模型推理效率下降,不适用于需要进行快速陶瓷器型分类的场景。【结论】多尺度改进方式在陶瓷器型分类中简单有效,在处理此类任务或者相近的人文数据分类任务时,可优先考虑这种优化策略。