基于TripletLoss损失函数的舌象分类方法研究

目的舌象体质分类对后续肿瘤患者舌象的客观化辨证具有重要意义,但对于中医舌图像而言,部分类型的舌图像样本较难采集,达不到目前流行的深度学习方法需要的样本数量,且基于传统分类的深度学习只注重寻找具有相似特征,导致模型在中医舌图像这种类间样本特征差异较小的问题上,分类性能不佳。因此,本文提出一种基于TripletLoss的度量分类方法,在最大化非同类样本的特征距离同时缩小类间样本特征的间距。方法首先通过建立卷积神经网络Inception-ResNet-V1提取对应的高维抽象特征。然后使用L2范数进一步约束高维特征的分布,同时引入降维压缩后的高维特征,最后使用TripletLoss得到有效的映射空间。因此可以根据舌象间的特征向量距离计算相似度以实现分类。结果经过本文方法得到的特征空间,不同类型舌象之间的距离较大,同一类型的舌象距离较小,可以更好地对类间差异较小的舌图像进行分类,且分类速度更快。与现有方法比较,本论文方法在分类精确度上提升了18.34%,并且所需时间最短。结论该方法可以很好地实现舌象体质分类,具有一定的应用价值。

基于深度学习的行人重识别经典算法研究

在深度学习大热的背景之下,选取了几种基于深度学习的优秀的行人重识别算法,并比较这些方法在不同数据集上面的表现,分析它们之间的优势和劣势,以及这些算法适用的场合。