公开(公告)号：CN112052877B

公开(公告)日：2024-04-09

申请号：CN202010782565.5

申请日：2020-08-06

Applicant: 杭州电子科技大学

Inventor： 吕岱霖 ,  戚武滕 ,  王亚奇 ,  王琳艳 ,  章一帆 ,  孙玲玲

IPC: G06V10/774 ,  G06V10/764 ,  G06V30/24 ,  G06V10/82 ,  G06N3/0464 ,  G06T7/11

Abstract: 本发明公开了一种基于级联增强网络的图片细粒度分类方法。主要包括构建级联了SEME‑ResNet50和SEME‑DenseNet169的Cascade‑SEMEnet网络结构、用自适应的直方图均衡化方法对原始数据进行预处理、在网络中添加MoEx、SE、和GAP模块来增强图像特征、改变网络对各通道的满意度以及使网络获得更大的感受野。然后利用了区域学习的训练方法，来减轻非目标特征对网络训练造成的影响。评估结果证明该方法也能够有效的修正非目标特征对网络造成的影响。最后使用Grad‑CAM可视化了网络的判断依据，定位出可能的目标特征区域，来验证网络有效性的。本发明能够避免神经网络在训练过程中学习错误的信息，加强神经网络分类的有效性。

公开(公告)号：CN112052877A

公开(公告)日：2020-12-08

申请号：CN202010782565.5

申请日：2020-08-06

Applicant: 杭州电子科技大学

Inventor： 吕岱霖 ,  戚武滕 ,  王亚奇 ,  王琳艳 ,  章一帆 ,  孙玲玲

IPC: G06K9/62 ,  G06K9/68 ,  G06N3/04 ,  G06T7/11

Abstract: 本发明公开了一种基于级联增强网络的图片细粒度分类方法。主要包括构建级联了SEME‑ResNet50和SEME‑DenseNet169的Cascade‑SEMEnet网络结构、用自适应的直方图均衡化方法对原始数据进行预处理、在网络中添加MoEx、SE、和GAP模块来增强图像特征、改变网络对各通道的满意度以及使网络获得更大的感受野。然后利用了区域学习的训练方法，来减轻非目标特征对网络训练造成的影响。评估结果证明该方法也能够有效的修正非目标特征对网络造成的影响。最后使用Grad‑CAM可视化了网络的判断依据，定位出可能的目标特征区域，来验证网络有效性的。本发明能够避免神经网络在训练过程中学习错误的信息，加强神经网络分类的有效性。