公开(公告)号：CN113255814A

公开(公告)日：2021-08-13

申请号：CN202110642624.3

申请日：2021-06-09

Applicant: 大连理工大学

Inventor： 张立勇 ,  郝平昌 ,  赖晓晨 ,  刘德正 ,  卢伟

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种面向边缘计算的基于特征选择的图像分类方法，采用卷积神经网络的卷积层和池化层对训练集图像进行特征提取，然后采用基于模糊C均值聚类的特征选择方法选出对分类贡献较大的图像特征，送入重新设计的分类器进行分类。在特征选择时，充分利用图像标签信息，采用针对各维图像特征的模糊聚类结果来描述各维图像特征在不同样本类别上的分布情况，并根据聚类得到的聚类中心和隶属度信息计算每个维度特征的类间分布差异度，从而选出类间分布差异明显、对分类贡献较大的特征。本发明提高了分类的精度，同时，减少了图像特征的维度，相应降低了分类器网络的规模，实现了分类器的轻量化，为在边缘计算节点的部署实施打下了基础。

公开(公告)号：CN113255814B

公开(公告)日：2024-10-29

申请号：CN202110642624.3

申请日：2021-06-09

Applicant: 大连理工大学

Inventor： 张立勇 ,  郝平昌 ,  赖晓晨 ,  刘德正 ,  卢伟

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开一种面向边缘计算的基于特征选择的图像分类方法，采用卷积神经网络的卷积层和池化层对训练集图像进行特征提取，然后采用基于模糊C均值聚类的特征选择方法选出对分类贡献较大的图像特征，送入重新设计的分类器进行分类。在特征选择时，充分利用图像标签信息，采用针对各维图像特征的模糊聚类结果来描述各维图像特征在不同样本类别上的分布情况，并根据聚类得到的聚类中心和隶属度信息计算每个维度特征的类间分布差异度，从而选出类间分布差异明显、对分类贡献较大的特征。本发明提高了分类的精度，同时，减少了图像特征的维度，相应降低了分类器网络的规模，实现了分类器的轻量化，为在边缘计算节点的部署实施打下了基础。