细粒度图像分类开源网络有哪些
时间: 2023-10-13 19:05:10 浏览: 60
目前比较流行的细粒度图像分类开源网络包括以下几种:
1. CUB-200-2011:该数据集包含200种鸟类共约6000张图像。常用的网络模型包括VGG、ResNet、DenseNet等。
2. Stanford Dogs:该数据集包含120种狗共约20,000张图像。常用的网络模型包括Inception-v3、ResNet-152等。
3. FGVC Aircraft:该数据集包含100种飞机共约10,000张图像。常用的网络模型包括VGG、ResNet、Inception-v3等。
4. Stanford Cars:该数据集包含196种汽车共约16,000张图像。常用的网络模型包括VGG、ResNet、Inception-v3等。
5. Oxford 102 Flowers:该数据集包含102种花卉共约8,000张图像。常用的网络模型包括VGG、ResNet、Inception-v3等。
以上是常用的细粒度图像分类开源网络和对应数据集,可以根据需求选择适合自己的模型。
相关问题
细粒度图像识别开源算法有
细粒度图像识别是指在一个大类别中进行更加细致的图像分类,通常需要区分同一类别中的不同子类别。以下是一些常用的细粒度图像识别开源算法:
1. B-CNN:双流卷积神经网络,可以在两个视角下对图像进行分类,适用于识别不同的鸟类、花卉等。
2. FGVC-Aircraft:针对飞机的细粒度分类任务开发的算法,包括DFL-CNN、B-CNN等。
3. FineGAN:基于生成对抗网络(GAN)的算法,可以实现细粒度图像生成和分类。
4. G-Net:基于注意力机制的算法,可以自适应地聚焦于图像中的重要信息,适用于识别花卉、鸟类、狗等。
5. S-CNN:基于子空间卷积神经网络的算法,可以对不同种类的动物进行分类,如鸟类、狗、猫等。
这些算法都有相应的开源实现,并且在细粒度图像识别领域取得了不错的表现。需要根据具体应用场景和数据集选择适合的算法进行使用和改进。
细粒度图像分类的预训练模型有哪些
细粒度图像分类的预训练模型包括:
1. Inception-ResNet-v2:由Google开发,用于ILSVRC2014比赛,可进行200类细粒度图像分类。
2. NASNet:由Google开发,用于ImageNet数据集上的图像分类,具有高精度和高效能。
3. SENet:由华为和中科院合作开发,通过引入Squeeze-and-Excitation模块,增强了模型对细节的注意力,适用于细粒度图像分类。
4. ResNeXt:由Facebook开发,是ResNet的扩展版本,可进行大规模图像分类和细粒度图像分类。
5. DenseNet:由Cornell大学开发,通过密集连接网络实现了高效率和高准确率的图像分类,适用于细粒度图像分类。
6. EfficientNet:由Google开发,是一种高效能的神经网络结构,可在计算资源有限的情况下提供高精度的图像分类。
7. MobileNet:由Google开发,具有轻量级和高效能的特点,适用于移动端应用和细粒度图像分类。
以上是一些常用的细粒度图像分类预训练模型,但并不是全部。在实际应用中,需要根据具体的任务和数据集选择最适合的模型。