基于DenseNet的唐卡图像分类

摘要

针对DenseNet采用ReLU函数在特征传播过程中存在丢失图像的负特征问题,文中提出一种改进的DenseNet方法。首先,为了解决样本数据集少而产生的问题,采用数据增强方法中的图像翻转、旋转和随机裁剪方法来增加数据集;其次,利用Leaky ReLU函数不会丢失图像负特征的特性来代替ReLU函数,在反向传播时增加传播的负特征,并采用迁移学习的基于微调网络的技术进行训练从而防止过拟合。迁移学习是运用神经网络在大型数据集ImageNet上训练好的参数权重在小数据集上进行网络训练,再把原神经网络的全连接层改为小数据集需要的层。最后对唐卡图像进行分类。实验结果表明:改进的DenseNet取得了较好的性能,比DenseNet性能提高了1.1%;与VGG16、ResNet50和InceptionV3等其他卷积神经网络相比,改进的DenseNet对唐卡图像分类效果良好。