没有合适的资源?快使用搜索试试~ 我知道了~
工程科学与技术,国际期刊23(2020)189完整文章基于卷积神经网络的田间蝴蝶自动识别Ayad Saad AlmryadAlmryad,Hakan Kutucu土耳其卡拉布克卡拉布克大学计算机工程系阿提奇莱因福奥文章历史记录:收到2019年2020年1月6日修订2020年1月23日接受2020年2月1日网上发售关键词:Butterfly深度学习分类ResNet迁移学习A B S T R A C T在当今竞争激烈的条件下,生产快速,廉价和可靠的解决方案是工程师的目标。人工智能的发展以及该技术几乎在所有领域的引入已经产生了通过在图像处理领域中使用人工智能来最小化人为因素以及在时间和劳动力方面获利的需求。在本文中,我们提出了一个使用深度神经网络的自动蝴蝶物种识别模型。我们收集了104种不同蝴蝶的44,659张照片,其中包括蝴蝶的不同位置,拍摄角度,蝴蝶距离,遮挡和背景复杂性。由于许多物种都有一些图像样本,我们构建了一个基于实地的数据集,其中包含10个物种的17,769只蝴蝶。卷积神经网络(CNN)用于识别蝴蝶物种。使用三种不同的网络结构所获得的实验结果进行了比较和评价对10种常见蝶类的实验结果表明,该方法能够成功地识别出不同种类的蝶类.©2020 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍蝴蝶是鳞翅目昆虫。根据最近的估计[1],世界上蝴蝶的种类在15,000到21,000之间。由于蝴蝶种类繁多、相似度高、区分不明显等特点,使得蝴蝶的识别和分类存在准确率低、识别速度慢的问题。此外,分类学家和受过训练的技术人员的人数急剧减少。蝴蝶种类之间的区分需要专业知识和时间,这并不总是可用的,但在开发出通过从图像中提取特征来识别蝴蝶种类的软件之后,对专家的需求将减少。现有的基于计算机视觉技术的蝴蝶种类识别研究存在两个主要问题。首先,蝴蝶数据集收集困难,识别对于昆虫学家来说是耗时的工作,并且蝴蝶数据集中包含的蝴蝶数量不全面。第二,用于训练的蝴蝶图片都是具有明显形态*通讯作者。电子邮件地址:yd_saad2010@yahoo.com(A.S.Almryad),hakankutucu@kar-abuk.edu.tr(H. Kutucu)。由Karabuk大学负责进行同行审查缺乏自然界中蝴蝶的生态画面此外,两张图片之间的差异很明显,这使得研究和生产很难结合,识别精度很低[2]。因此,研究蝴蝶的自动识别技术,提高蝴蝶识别的准确性和效率具有重要意义。自动识别蝴蝶种类的工具的开发对文献有重要贡献。Kaya等人[3]提出了两种不同的局部二进制模式(LPB)描述符来检测图像中的特殊纹理。第一种方法是基于具有特定距离的中心像素的顺序相邻像素之间的关系,第二种方法是通过中心像素参数确定相同方向上的相邻像素。他们测试了他们的描述符,以识别基于实验室收集的140只蝴蝶的图像上的蝴蝶物种在土耳其的凡市。用人工神经网络对蝴蝶进行分类,最高准确率达95.71%. Kaya和Kaycnovel[4]利用不同角度和距离的灰度共生矩阵,通过人工神经网络开发了一种基于颜色和纹理特征的蝴蝶识别模型。方法的准确率达到92.85%。Wen和Guyer[5]开发了一种结合局部和全局特征的昆虫分类模型,通过五种著名的分类器,即K最近邻分类器(KNNC),基于正常密度的线性分类器(NDLC),最小最小二乘法(LLS),https://doi.org/10.1016/j.jestch.2020.01.0062215-0986/©2020 Karabuk University. 出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestch190A.S. Almryad,H.Kutucu/工程科学与技术,国际期刊23(2020)189×线 性 分 类 器 ( MLSLC ) 、 最 近 均 值 分 类 器 ( NMC ) 和 决 策 树(DT)。实验结果表明,该方法对实际采集的图像进行训练,分类正确率为86.6%。Xie等人[6]使用先进的多任务稀疏表示和多核学习技术改进了昆虫图像分类的学习模型他们在24种常见的大田作物害虫物种上测试了所提出的模型,并将其与最近的一些方法进行了比较。Feng等人[7]改进了一个基于蛾类翅膀特征的昆虫种类识别与检索系统他们的检索系统是基于CBIR架构,这不是关于有一个最终的答案,而只是提供一个匹配列表给用户[8]。最后的决定可以由专家做出。Yao等人[9]设计了一个模型,使用害虫的156个特征来自动识别水稻害虫。作者利用支持向量机分类器对几种中等大小的鳞翅目水稻害虫进行了检验。另一项关于害虫识别的研究由Faithprise等人完成。使用k均值聚类算法和对应滤波器[10]。Leow等人[11]通过提取形态特征和使用人工神经网络开发了一个桡足类标本的自动识别系统。他们使用了240个样本图像的7个桡足类特征,估计总体准确率为93.13%。Zhu和Zhang[12]提出了一种综合区域匹配和双树复小波变换的鳞翅目昆虫图像分类方法。他们在包含18科100种鳞翅目昆虫的数据库上测试了他们的方法,估计识别准确率为84.47%。梅奥和沃森[13]表明,数据挖掘技术可以有效地识别物种。他们使用WEKA,这是一种数据挖掘工具,具有不同的分类器,如朴素贝叶斯,基于实例的学习,随机森林,决策树和支持向量机。WEKA能够实现85%的准确率另一项鉴定活蛾的工作是由Watson等人进行的。[14]他提出了一种名为DAISY的自动识别工具。Silva等人。[15]旨在研究特征选择技术和分类器的最佳组合,以识别蜜蜂亚种。他们在七种特征选择器和分类器的组合中找到了最佳组合,即朴素贝叶斯分类器和基于相关性的特征选择器的组合。Wang等人[16]设计了一个昆虫图像的订单级识别系统。他们从昆虫图像中提取了七个特征。然而,作者手动移除了一些附着在昆虫上的针等。 他们的方法已经测试了225个样本图像从9个订单和子订单使用人工神经网络的准确率为93%。Abeysinghe等人[17]引入了一个完全自动化的框架,使用卷积暹罗网络识别蛇的种类。虽然目前蛇的数据集很小,但他们取得了满意的结果。在本文中,我们创建了一个从自然界拍摄的蝴蝶图片数据集。在对图像进行一些预处理之后,我们使用基于深度卷积神经网络的VGG(VGG 16和VGG 19)和ResNet(ResNet-50)架构。文章组织如下:讨论了现场蝴蝶图像数据集,并在第2节中介绍了基于不同卷积神经网络架构的技术方法。第三节给出了实验结果及其讨论,最后,第四节总结了本文并提出了进一步的工作。2. 材料和方法2.1. 数据集在这项研究中,我们从土耳其蝴蝶监测摄影协会的网站上收集了44,659张不同104类的图像[18]。我们开发了一个C#应用程序来下载所有的蝴蝶图像,每个图像都保存到一个名为其属的目录中。当从网站上下载图像时,我们标记了经过专业人员批准的物种。使用这些信息标签将数据集分为104个不同的类。由于许多类都有一些图像样本,我们将其限制为包括10个样本量最大的类,如表1所示。新数据集包含17,769张图像。类的数量已减少到10,以提高分类的准确性,并删除具有较少的样本的类。由于网站上的所有图像都是不同的分辨率,它们被调整为224224像素。每个类的示例图像如图1所示。由于输入图像是从宽视场摄像机中采集的,因此具有遮挡和背景复杂等特点。我们删除的图像,如果他们包含一个以上的蝴蝶,即使他们是同一物种。我们还删除了蝴蝶幼虫和毛毛虫的图像。2.2. 深度神经网络深度学习,特别是近年来,已成为基于人工智能的应用的关键研究[19]。由于计算机视觉[20]、自然语言处理[21]和语音识别[22]领域的重大成就,使用率与日俱增。基于人工神经网络的深度学习算法受到人脑神经元简化的启发,在学习阶段取得了成功深度学习算法可以通过自动从给定的输入数据中删除区别特征来解决特征提取和选择的问题。与经典神经网络相比,深度学习需要更多的标记数据。如今,可实现数据的快速增长使得深度学习在解决问题中的作用变得这些言论引起了计算机科学领域许多研究人员的注意。卷积神经网络(CNN)被认为是深度学习的基础架构,是一种受动物视觉启发的多层感知器(MLP)前馈神经网络[23]。CNN是深度学习模型,主要用于图像分类,相似性检测和对象识别[24,25]。CNN有能力识别人脸[26],人[27],符号[28]等。CNN主要专注于图像分类,现在用于表1数据集中每个蝴蝶属的名称和图像数量。属图像多眼龙属5559灰蝶属2472蜂花属2235Pieris1530阿里西亚1080皮尔古斯1036普莱贝茹斯1003睡莲属989黑珍珠属943Coenonympha922A.S. Almryad,H.Kutucu/工程科学与技术,国际期刊23(2020)189191×S× ××××Fig. 1. 数据集上的示例图像几乎每个区域都需要分类一般的CNN结构由几个连续的卷积和池化层、一个或多个完全连接的层以及最后用于分类的输出层(softmax层)组成。图中给出了CNN结构的示例。 二、在输入层中,图像被作为输入数据进行建模。这一层的结构对于所设计模型的成功和资源成本是非常重要的。如果有必要,一些预处理算法,如缩放和降噪应用于输入数据。如果输入具有低分辨率图像,则它可能导致网络的深度和性能下降。在称为变换层的卷积层中,通过滤波器将卷积过程应用于输入数据作为特征选择。过滤器可以预设以及随机生成的- ated。卷积过程的结果创建了一个特征图的数据。过滤器大小设置为11、3三,五5、一些-乘以77. 图3示出了索贝尔滤波器的应用过程以采样图像数据。此过程继续到所有滤镜的整体图像。最后,在该过程结束时获得特征如果输入图像具有3个通道(RGB),则对每个通道应用卷积处理。填充操作确定要对要添加到输入矩阵的角的像素信息执行哪个过程。步幅过程显示窗口在每一步中将移动多少步。在卷积处理之后,通过将fxf大小的滤波器应用于nxn大小的图像而获得的矩阵的维数由以下等式计算。nx;nyn2p-f11其中p是填充大小,s是步幅数。池化层用于减小下一卷积层的输入矩阵的大小通过池化,wxh大小的窗口前进一定的步骤,以通过取窗口的最大值(最大池化)或平均值(平均池化)来创建新图像通过保持通道数恒定,可以减小宽度和高度。最大池化和平均池化是池化层中常见的两种方法。最大池化和平均池化的示例如图所示 。 4对于输入矩阵的大小44和大小为2的池化过滤器二、完全连接层在连续的卷积层和池化层之后。在全连接层中,来自池化层的数据被减少到单个维度。因为每个神经元都是连通的,所以称为全连通。在这一层中,执行分类过程,并使用ReLU和Sigmoid在输出层中,使用Softmax函数,它使用模型生成的得分值 图图5显示了两类问题的输出层。在模型执行过拟合(记忆)的情况下使用的dropout层可以消除模型中的一些连接,这些连接会导致过度学习。因此,通过以随机速率(通常为0.5)删除全连接层中的一些神经元来防止网络记忆经典的CNN架构由两个基本部分组成。第一部分是卷积层和池化层。在这一部分中,在输入图像上提取特征[29]。在第一部分中,特征提取阶段是在一般意义上应用的,而不是针对特定问题。在第二部分中,全连接层和输出层执行特定问题的分类。图二. 卷积神经网络192A.S. Almryad,H.Kutucu/工程科学与技术,国际期刊23(2020)189图三. 一个卷积过程,滤波器大小为3 ×3。见图4。 使用2× 2过滤器的最大合并和平均合并。图五. Softmax函数2.3. 迁移学习迁移学习是在相似或不同领域快速实施学习过程[30]。以这种方式,在大量数据上实现的学习过程可以应用于较小尺寸的不同图像集。由于其在内存使用和性能方面的改进,它在计算机视觉领域特别受欢迎该模型使用大量训练数据进行训练,通过更新分类部分中的权重来完成在文献中,许多研究都建议使用这种方法,通常称为预训练模型。最受欢迎的模型名为VGG[31],Inception[20],MobileNet[32]和ResNet[33]应用于ImageNet[34],ImageNet拥有超过120万张图 像 , 并 实 现 了 高 精 度 [35] 。 Adagrad 、 Adadelta 、 Adam 、Adamax、Stochastic Gradient Descent等训练算法通常用于CNN的训练。这些算法在速度和成功方面有所不同2.3.1. VGGNetSimonyan和Zisserman在[31]中开发了一种新的卷积神经网络架构,即所谓的VGG。VGG网络的架构如图6所示。他们发布了两个性能最好的VGG模型,分别有16和19重量层。16和19代表VGG网络 中 的 权 重 层 数 具 有 13 个 卷 积 和 3 个 完 全 连 接 层 的 VGG16 在ImageNet数据集上实现了%8.8的前5名测试错误此外,VGG19具有16次卷积,并且达到了9.0的前5次测试错误率。在VGG网络中,输入是固定大小的224× 224 RGB图像。2.3.2. ResNetResNet与传统的连续网络架构(如VGGNet,AlexNet)具有不同的结构通过忽略某些层之间的变化来切换到较低层可能是优选的。这种情况在ResNet的架构中是允许的,并且通过消除记忆网络的问题来提高网络的成功率。A.S. Almryad,H.Kutucu/工程科学与技术,国际期刊23(2020)189193××见图6。 VGG架构的说明。ResNet架构有177层网络。除了该分层结构之外,还有关于层间连接将如何发生的信息。这个模型已经训练了大小2242243. 图7示出了所使用的连接的示例。在ResNet架构中。3. 实验与讨论在这项研究中,使用各种深度学习模型对数据集中的图像卷积神经网络使用学习迁移方法(VGG16、VGG19、ResNet50)。文献中最广泛使用的模型已经在ImageNet数据集上进行了训练,并取得了很高的成功。在这项研究中,微调迁移学习方法用于蝴蝶图像的分类。见图7。ResNet架构。图8.第八条。VGG-16精度和损失曲线。194A.S. Almryad,H.Kutucu/工程科学与技术,国际期刊23(2020)189900个样本图像用于表1中给出的每个类别。每个类自动分为两个部分:训练部分(80%)和测试部分(20%)。 由于训练和测试数据可以在每次运行中改变,因此对模型中的每个数据集进行五次训练,100个历元的平均准确度值和平均损失值在图1和图2中给出。 八比十这些模型是使用Python编程语言和Keras库实现的深度学习研究一直在GPU上运行,因为它们需要高内存。训练和测试CNN模型的计算机的硬件规格是:CPU:2个Intel Xeon® Silver 2.2 GHz,32 GB RAM,GPU:Nvidia Quadro P5000 16 GB 256 Bit. GPU有2560个核心。使用VGG16、VGG19和ResNet50深度学习模型对蝴蝶图像进行分类。这些模型已经在GPU上运行,因为所有的学习和测试都需要很长时间,在CPU上执行。模型中使用的参数见表2。在启动模型后获得的准确度和损失曲线如图1和图2所示。八比十VGG16和VGG19为我们的数据集提供了大致相同的结果。ResNet模型在训练阶段的成功率高于VGGNET,而在测试阶段的成功率较低。使用的CNN模型的比较在本文中,在表3中给出。VGGNet在训练和测试阶段表现出类似的性能经过20次训练后,见图9。 VGG-19准确度和损失曲线。成绩(80%),之后没有增加。在损失图中可以看到类似的特征模式。由于没有对输入图像进行任何预处理,因此在考虑蝴蝶的位置、拍摄角度、蝴蝶距离、遮挡和背景复杂度等问题时,取得了令人满意的效果。图10显示了ResNet架构的精度和模型损失图。可以看出,在ResNet架构存在问题的训练阶段,成功率高达85%。见图10。ResNet精度和损失曲线。表2模型参数参数名称值输入尺寸224×224×3最大历元100批量8班级数量训练图像数量测试图像数量AdaDelta优化器表3CNN模型CNN模型训练精度测试精度VGG16百分之八十点四百分之七十九点五VGG19百分之七十七点六百分之七十七点二ResNet百分之八十四点八百分之七十点二A.S. Almryad,H.Kutucu/工程科学与技术,国际期刊23(2020)189195在测试阶段期间,无法在该输入数据集上实现轻度过拟合(记忆)4. 结论在本文中,一个基于字段的数据集创建使用蝴蝶图像分类专家昆虫学家从自然界。蝴蝶的输入图像使用深度学习架构进行分类,而不使用任何特征提取方法。迁移学习使用预先训练的模型进行使用三种不同的网络结构所获得的实验结果进行了比较和评价。根据结果,VGG16架构取得了最高的成功。尽管图像存在一些问题,如蝴蝶的位置、拍摄角度、蝴蝶距离、遮挡和背景复杂度,但测试和训练数据都取得了总之,我们观察到迁移学习方法可以成功地应用于自然图像。我们未来的研究包括通过使用本研究中提出的预训练模型来使用移动应用程序竞争利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作。致谢作者感谢匿名审稿人的建设性意见和宝贵建议,这些意见和建议对提高论文质量有很大帮助。引用[1] 地球 上有 多少 种昆 虫和 其他 陆生 节肢 动物? Annu. 昆虫 学评 论63( 2018 )31-https://doi.org/[2] M. 平扎里湾圣托尼科湾Pennazza,E.马蒂内利河卡普阿诺河Paolesse等人,化学介导的物种识别在两个同域的灰蝶:Hipparchia fagi和Hipparchia herdae(鳞翅目 : 蛱 蝶 科 , Saturaae ) , PLoSOne13 ( 6 ) ( 2018 ) ,https://doi.org/10.1371/journal.pone.0199997。[3] Y. 卡亚,O.F. 埃尔图格鲁鲁尔河张文,两种用于纹理分析的局部二值模式描述子,应用软件。34(2015)728https://doi.org/[4] Y. 卡 亚湖 杨文 ,人 工神 经网 络在 蝴 蝶种 类识 别中 的应 用, 计 算机 视觉 。30(2014)71https://doi.org/10.1007/s00371-013-0782-8[5] C. Wen,D.基于图像的果园昆虫自动识别与分类方法,计算机。电子学。农业。89(2012)110 -115,https://doi. org/10.1016/j.compag.2012.08.008。[6] C. Xie,J. Zhang,R. Li,J. Li,P. Hong,J. Xia,P. Chen,通过多任务稀疏表示和多核学习进行田间作物昆虫自动分类,Comput. 119(2015)123https://doi.org/[7] L.冯湾,澳-地Bhanu,J. Heraty,基于翅膀属性的蛾类图像自动识别和检索软件系统,模式识别。51(2016)225https://doi.org/10.1016/j.patcog.2015.09.012[8] M. Martineau,D.孔特河拉沃岛Arnault,D.Munier,G.杨文,基于图像的昆虫分类研究,北京:科学出版社,2000。65(2017)273https://doi.org/10.1016/j.patcog.2016.12.020[9] Q. Yao,J. Lv,Q.- J. Liu,G.- Q. Diao,B.- J. Yang,H.- M.陈俊,唐,一种自动化水稻光诱害虫识别的昆虫成像系统,J. Integr. Agric. 11(2012)978-[10] F. Faithpraise,P. Birch,R. Young,J. Obu,B.菲斯普雷兹角陈文,基于聚类算法的植物害虫自动检测与识别,北京:生物技术出版社,2001。第4(2013)号决议第189-199段。得双sro.sussex.ac.uk/id/eprint/49042值.[11] L.K.利奥湖L. Chew,V.C. Chong,S.K. Dhillon,使用数字图像处理和人工神经网络自动识别桡足类,BMC Bioinf。16(2015)S4,https://doi.org/10.1186/1471-2105-16-S18-S4。[12] L- Q. Zhu,Z.张,基于区域匹配和双树复小波变换的昆虫识别,浙江大学学报。C 12(2011)44https://doi.org/10.1631/jzus.C0910740[13] M. Mayo , A.T.Watson , 活 体 蛾 类 的 自 动 物 种 识 别 , Knowl. - 基 于 系 统 20(2007)195https://doi.org/10.1016/j.knosys.2006.11.012[14] A.T. 沃森,文学硕士 杨文,应用数字自动识别系统(DAISY)对昆虫进行自动识别,生物多样1(2004)287https://doi.org/10.1017/[15] 有限责任公司M.L.席尔瓦Grassi Sella,T.M. Francoy,A.H.R.科斯塔,评估分类和特 征 选 择 技 术 蜜 蜂 亚 种 识 别 使 用 翅 膀 图 像 , 计 算 机 。 114 ( 2015 ) 6877 ,https://doi.org/10.1016/j.compag.2015.03.012。[16] J. Wang,C.林湖,澳-地Ji,黑穗醋栗A.梁,一种新的昆虫图像自动识别系统的订单水平,知识。BasedSyst.33(2012)102-110,https://doi.org/10.1016/j.knosys.2012.03.014。[17] C. Abeysinghe , A. 韦 利 维 塔 岛 Perera , Snake image classification usingSiamesenetworks , in : Proceedingsofthe20193rdInternationalConferenceonGraphicsandSignalProcessing,2019,pp.8https://doi.org/10.1145/[18] adamerkelebek.org,土耳其蝴蝶监测摄影协会,2019年。[19] Y. 莱 昆 湾 , 巴 西 - 地 本 焦 湾 Hinton , Deep learning , Nature 521 ( 2015 )436https://doi.org/10.1038/nature14539[20] C. 塞 格 迪 河 谷 Vanhoucke , S.Ioffe, J. Shlens, Z. Wojna, Rethinking theinceptionarchitecture forcomputervision , in : IEEE conferenceoncomputervisionandpatternrecognition ( CVPR ) , 2016 , pp.2818https://doi.org/10.1109/[21] R. Collobert,J. Weston,自然语言处理的统一架构:具有多任务学习的深度神经网络 , 在 : ICML '08 : 第 25 届 国 际 机 器 学 习 会 议 论 文 集 , 2008 年 , pp.160https://doi.org/10.1145/1390156.1390177[22] G. Hinton等人,语音识别声学建模的深度神经网络:四个研究小组的共同观点,IEEESignalProcessMag.29(2012)82https://doi.org/10.1109/MSP.2012.2205597[23] K. Fukushima,Neocognitron:一种不受位置变化影响的模式识别机制的自组织神经网络模型,Biol。赛博恩36(1980)193https://doi.org/10.1007/BF00344251[24] Y.莱昆湾,巴西-地Bengio,Convolutional networks for images,speech,andtimeseries,in:The Handbook of Brain Theory and Neural Networks,MITPress,Cambridge,1995,pp. 255- 258[25] J. Wang,Y. Yang,J. Mao,Z.黄角黄,W. Xu,CNN-RNN:多标签图像分类的统一框 架 , 在 : IEEE 计 算 机 视 觉 和 模 式 识 别 会 议 ( CVPR ) , 2016 年 , pp.2285https://doi.org/10.1109/CVPR.2016.251[26] F. Schroff,D. Kalenichenko,J. Philbin,Facenet:用于人脸识别和聚类的统一嵌入 , 在 : IEEE 计 算 机 视 觉 和 模 式 识 别 会 议 ( CVPR ) , 2015 年 , pp.815https://doi.org/10.1109/[27] D. 郑 , Y. 贡 , S. Zhou , J. Wang , N. Zheng , Person re-identification by multi-channel parts-based CNN with improved triplet loss function,in:IEEE ConferenceonComputerVisionandPatternRecognition ( CVPR ) , 2016 , pp.1335https://doi.org/10.1109/CVPR.2016.149[28] P. Sermanet,Y.LeCun,交通标志识别与多尺度卷积网络,在:2011年国际神经网络联合会议,2011年,pp.2809https://doi.org/10.1109/IJCNN.2011.6033589[29] M. Liang , X.Hu , Recurrent convolutional neural network for objectrecognition , in : IEEE Conference on Computer Vision and PatternRecognition(CVPR),2015,pp.3367https://doi.org/10.1109/CVPR.2015.7298958[30] A.克里热夫斯基岛Sutskever,G.E. Hinton,Imagenet分类与深度卷积神经网络,Commun。ACM 60(2017)84-90,https://doi. org/10.1145/3065386。[31] K. Simonyan , A. Zisserman , Very deep convolutional networks for large-scaleimagerecognition,InternationalConferenceonLearningRepresentations,2015。[32] A.G.霍华德,M。Zhu,B. Chen,中国粘蝇D. Kalenichenko,W. Wang,T.Weyand , M. Andreetto , H. Adam , Mobilenets : Efficient ConvolutionalNeural Networks for Mobile Vision Applications , ( 2017 ) arXiv :1704.04861.[33] K.他,X。Zhang,S. Ren,J. Sun,Deep residual learning for image recognition,in : IEEE Conference on Computer Vision and Pattern Recognition ( CVPR ) ,2016,pp. 770https://doi.org/10.1109/CVPR.2016.90[34] J.邓,W.东河,巴西-地索赫尔湖Li,K.利湖,加-地Fei-Fei,Imagenet:a large-scale hierarchical image database , in : 2009 IEEE conference on computervision and pattern recognition,2009,pp. 248https://doi.org/10.1109/[35] A. Canziani,A. Paszke,E. Culurciello, An analysis of deep neural networkmodels for practical applications,(2016)arXiv:1605.07678。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功