自适应池化卷积神经网络马品种识别研究

针对经典池化方式不能提取有效特征值的问题,提出了根据池化域的大小、池化域中的元素值和网络的训练次数调整池化结果的自适应池化法,并搭建了基于自适应池化的卷积神经网络模型,实现了对哈福林格马(Haflinger)、阿克哈-塔克马(Akhal-Teke)、吉普赛马(Gypsy Venner)、伊犁马(Yili)、阿帕卢萨马(Appaloosa)、弗里西亚马(Friesian)、阿拉伯马(Arabian)、马瓦里马(Marwari)等八个品种的识别。对于图像进行归一化、数据扩增等预处理后,从数据集中随机选取80%的样本用作训练集,剩余的20%用作验证集和测试集。在Keras深度学习框架下,对使用自适应池化前后的卷积神经网络进行全新学习,并做了三组对照实验。实验结果表明,自适应池化算法明显提高了模型的准确率和分类性能。使用自适应池化算法后的模型在测试集上的准确率达到了88.24%,初步实现了基于计算机视觉的马品种识别。