基于残差网络的树叶分类
蔡圣杰，郑成勇，陈伟杰
（五邑大学 数学与计算科学学院，广东 江门 529020）
随着对环境治理的持续投入，我国绿地面积显著提升，林地物种也越来越丰富，如何准确高效地识别植物便成为亟待解决的问题. 由于硬件性能的提高，基于神经网络的树叶分类方法也逐渐流行. 魏书伟等提出了并行残差卷积神经网络和加入残差学习的Alexnet网络，精确率达到90%以上[1].针对复杂背景中的叶片图像，Yang等提出了基于Mask区域的卷积神经网络，其平均分类误差为1.15%[2]. Shivali等采用健康和病株叶片数据混合的形式在预训练的AlexNet上迁移学习，相较于支持向量机准确率提升1%以上[3]. 除了理论上的发展，基于神经网络的树叶分类算法已应用于烟叶[4]、芒果叶[5]、草药[6]等的分类中.
然而上述工作大多应用于较少类别数据集的分类任务，基于种类较多的数据集上的分类工作比较少. 而其中仅少数分类准确率可达到95%，但是这些模型复杂度较高，运行速度不理想. 为此，本文提出一种基于残差网络迁移学习的树叶分类算法，以期满足现实分类任务的需求.
1.1 残差神经网络
残差神经网络[7]（Residual Network，ResNet）由微软研究院的何恺明等人于2015年提出. 在此之前，VGG[8]模型中的卷积层达到了19层，GoogLeNet[9]模型中的卷积层更是达到了22层. 随着网络层数增加，训练集损失逐渐降低，然后趋于平稳；
当继续增加网络深度时，训练集损失反而会增大，网络发生了退化现象. 而当网络退化时，浅层网络能达到比深层网络更好的训练效果. 这时如果将低层特征传到高层，那么理论上效果至少不比浅层的网络效果差，因此提出残差块的结构. 图1给出了普通块（图1-a）和残差块（图1-b）的对比示意图。增添一条单位映射即可将普通块变为残差块. 单位映射确保了N+1层的网络一定比N层的网络包含更多信息，因此基于使用单位映射连接不同层的思想，残差网络应运而生.
图1 一个普通块和一个残差块
残差网络模型继承了之前网络的优点，并将普通块替换为残差块，构造网络. 以ResNet18为例，网络分为5个阶段，如图2所示：第一个阶段是过去网络中常用的起始设计；
第二至五阶段由数个残差块组成. 最终通过全局平均汇聚层与全连接层输出类别. 网...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
