基于Grad-CAM可视化与特征识别率结合的草地贪夜蛾及近缘种成虫识别模型评估

为提升草地贪夜蛾及其近缘种成虫识别模型的泛化能力,除识别准确率外,额外引入特征识别率对模型的泛化能力进行评估。将VGG-16-bn模型的全连接层以全局平均值池化层取代,并在模型训练阶段引入了Grad-CAM可视化结果进行训练指导,共构建了4种改进模型识别草地贪夜蛾及其近缘种成虫。结果表明,改进后的模型的识别准确率均在99.22%以上,VGG-16-bn-GAP模型参数内存需求仅为原始模型的10.98%。为评估模型的泛化能力,利用导向反向传播梯度值、Grad-CAM及Grad-CAM++对模型习得的特征进行可视化,并与专家进行人工识别的关键视觉特征进行比较。结果表明,改进的VGG-16-bn-GAP模型和VGG-16-bn-GAIN模型获得的草地贪夜蛾平均特征识别率比原始模型分别提高12.25%和13.42%。本文提出的以特征识别率评估模型泛化能力的方法,可为特征识别率和识别准确率的提升提供参考。

无监督局部特征学习的鲁棒性人脸识别

特征表示是人脸识别的关键问题,由于人脸图像在拍摄过程中受光照、遮挡、姿势等因素的影响,如何提取鲁棒的图像特征成了研究的重点。受卷积网络框架的启发,结合K-means算法在卷积滤波器学习中所具有的效果稳定、收敛速度快等优点,提出了一种简单有效的人脸识别方法,主要包含三个部分:卷积滤波器学习、非线性处理和空间平均值池化。具体而言,首先在训练图像中提取局部图像块,预处理后,使用K-means算法快速学习滤波器,每个滤波器与图像进行卷积运算;然后通过双曲正切函数对卷积图像进行非线性变换;最后利用空间平均值池化对图像特征进行去噪和降维。分类阶段仅采用简单的线性回归分类器。在AR和Extended Yale B数据集上的评估实验结果表明所提方法虽然简单却非常有效,而且对光照和遮挡表现出了强鲁棒性。

一种面向识别的无监督特征学习算法

特征抽取是图像识别的关键环节,准确的特征表达能够产生更准确的分类效果。采用软阈值编码器和正交匹配追踪(OMP)算法正交化视觉词典的方法,以提高单级计算结构的识别率,并进一步构造两级计算结构,获取图像更准确的特征,以提高图像的识别率。实验表明,采用软阈值编码器和OMP算法能提高单级计算结构提取特征的能力,提高大样本数据集中图像的识别率。两级计算结构能够提高自选数据集中图像的识别率。采用OMP算法能提高VOC2012数据中图像的识别率。在自选数据集上,两级计算结构优于单级计算结构,与NIN结构相比表现出优势,与卷积神经网络CNN相当,说明两级计算结构在自选数据集上有很好的适应性。