基于双交叉熵的自适应残差卷积图像分类算法

为弥补卷积神经网络在图像分类方面对颜色特征的不敏感,并生成更逼真的图像样本,提出一种基于双交叉熵的自适应残差卷积图像分类算法。将双交叉熵损失函数应用到深度卷积生成对抗网络中的判别模型;结合图像的主颜色特征和残差卷积神经网络提取的空间位置特征,运用改进的差分演化算法解决多特征融合权重系数的设定问题。实验结果表明,所提算法与传统的CNN算法相比,准确率明显提高10.75个百分点。双交叉熵损失函数可以提高判别模型区分生成图像与真实图像的能力,迫使生成模型生成更逼真的图像样本。

融合掩模和注意机制的CNN图像分类算法

为了更好地抑制卷积神经网络在图像分类训练过程中出现的过拟合现象,提高图像分类精度和算法的稳定性,提出了融合掩模和注意机制的CNN图像分类算法。算法使用去噪神经网络提取的去噪深度特征,作为深度CNN网络模型总框架的输入,基于掩模预训练方法训练网络模型;再使用不同注意类型的激活函数,在标准图像库Corel-1000上充分进行实验。实验结果表明:使用基于去噪神经网络的掩模预训练方法,不仅较大程度提升了图像分类效果,而且整个模型的性能更趋于稳定和健壮。加入混合注意机制后,实验效果得到进一步提升。算法通过降低图像背景噪声和深度特征噪声的干扰,能有效抑制训练过程中出现的过拟合现象;且不同注意类型激活函数的作用不尽相同,其中混合注意机制的实验效果最优。