一种弱监督细粒度深度网络的木材分类方法

针对使用木材的微观结构对木材树种进行识别分类,提出一种新的基于细粒度图像识别的深度卷积神经网络自动分类算法,在阐述Navigator Teacher Scrutinizer Network算法的基础上,首先,利用分段线性激活函数对特征的存在程度和缺失程度的选择能力进行改进,在改进后的特征选择模型算法中搜寻最优α参数;其次,在改进后的算法中加入一个全局K-max池化层并应用在木材分类中,获得最佳的分类结果.实验结果表明,相比于原始NTS神经网络,本文所提算法能够更准确地实现数据分类,该模型的实验准确率为88.36%,准确率高,实用性强,可以提高木材树种分类精度,为木材树种快速分类提供参考.