基于ResNet验证码混淆风格的迁移学习方法

引入一种混淆风格的方法来增加验证码的识别难度,对图像信息处理有广阔的应用前景。为此,探究了利用较少的数据通过迁移学习的方法处理验证码不同混淆风格的分类问题;在预训练的深度残差网络模型基础上,针对不同混淆风格的验证码进行深入训练,再利用除去全连接层的模型进行特征提取及聚类进行比较。实验结果表明:迁移学习对验证码混淆风格分类的效果有极大的提高,可使衡量聚类效果的兰德指数从0.7302提升至0.8858。