-
公开(公告)号：CN116630697B
公开(公告)日：2024-04-05
申请号：CN202310552011.X
申请日：2023-05-17
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种基于有偏选择池化的图像分类方法，所述方法包括：数据预处理并定义模型，定义一组超参数[α1,α2,…,αk]，初始化掩膜[β1,β2,…,βk]中的参数；定义优化器、损失函数和学习率衰减策略，设定包括学习率lr、迭代次数epoch、批量大小batch等超参数；将训练集送入模型，进行前向传播，图像经过卷积层提取局部特征。本发明通过调整超参数来实现不同的特征提取目标，解决了传统图像分类中使用最大池化或者平均池化所带来的保留的信息不够准确等问题，提高了图像分类的准确性，同时本发明相较于最大值池化和平均池化而言更加灵活，可以更好的适应各种不同的数据特征和任务。
-
公开(公告)号：CN116630697A
公开(公告)日：2023-08-22
申请号：CN202310552011.X
申请日：2023-05-17
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种基于有偏选择池化的图像分类方法，所述方法包括：数据预处理并定义模型，定义一组超参数[α1,α2,...,αk]，初始化掩膜[β1,β2,...,βk]中的参数；定义优化器、损失函数和学习率衰减策略，设定包括学习率lr、迭代次数epoch、批量大小batch等超参数；将训练集送入模型，进行前向传播，图像经过卷积层提取局部特征。本发明通过调整超参数来实现不同的特征提取目标，解决了传统图像分类中使用最大池化或者平均池化所带来的保留的信息不够准确等问题，提高了图像分类的准确性，同时本发明相较于最大值池化和平均池化而言更加灵活，可以更好的适应各种不同的数据特征和任务。
-
公开(公告)号：CN115424076B
公开(公告)日：2024-03-15
申请号：CN202211131518.X
申请日：2022-09-16
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/24 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于自适应池化方式的图像分类方法，将当前池化层的输入特征图按照池化层所给定的卷积核尺寸、步长和填充的大小，使用滑动窗口的方式分别展开为n个区域，每个区域分别对应有一个α值，采用自适应的方式，将特征图对应的n个区域经过采样后得到一系列t分布，再将其经过仿射变换后，结合当前的α值，动态地去调整α值的大小，进而就控制自适应池化动态的去改变输出特征点的选择，再将池化后的特征值折叠起来，就得到使用了不同程度的池化方式所对应的输出特征图。通过本发明，解决了传统图像分类中只能使用最大池化或者平均池化所带来的保留的信息不够准确等问题，从而能更好的利用的数据的实际情况，提高了模型分类的准确率。
-
公开(公告)号：CN115424076A
公开(公告)日：2022-12-02
申请号：CN202211131518.X
申请日：2022-09-16
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/24 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于自适应池化方式的图像分类方法，将当前池化层的输入特征图按照池化层所给定的卷积核尺寸、步长和填充的大小，使用滑动窗口的方式分别展开为n个区域，每个区域分别对应有一个α值，采用自适应的方式，将特征图对应的n个区域经过采样后得到一系列t分布，再将其经过仿射变换后，结合当前的α值，动态地去调整α值的大小，进而就控制自适应池化动态的去改变输出特征点的选择，再将池化后的特征值折叠起来，就得到使用了不同程度的池化方式所对应的输出特征图。通过本发明，解决了传统图像分类中只能使用最大池化或者平均池化所带来的保留的信息不够准确等问题，从而能更好的利用的数据的实际情况，提高了模型分类的准确率。
-
-
-
Search Results
4
records
(took 0.017 seconds)
