The invention discloses a method for improving CNN image recognition performance by using DCGAN. The method combines the excellent data generation ability of DCGAN with the CNN-based image recognition framework, and DCGAN is a new type of antagonistic generation network improved on the basis of GAN. The method applies CNN to the original structure. In this way, GAN has the characteristics of deep convolution, and has a better feature representation in data generation. The invention solves the problems of difficult collection of training sample data and excessive similarity of sample in the process of image recognition, breaks through the limitation of sample quantity and quality in the optimization of classification model, further strengthens classification model and improves the accuracy of image recognition.
【技术实现步骤摘要】
一种利用DCGAN提高基于CNN图像识别性能的方法
本专利技术属于图像识别处理,具体涉及一种基于深度机器学习的图像识别改进,尤其涉及一种利用DCGAN提高基于CNN图像识别性能的方法。
技术介绍
随着深度学习的发展,人们越来越追求图像识别的精确度。目前,很多研究都采用了卷积神经网络(CNN)作为切入点来提高图像识别的精度。CNN可以直接使用图像的原始像素作为输入,不必先提取特征,另外,CNN训练的模型对放缩、平移、旋转等畸变具有不变性,具有很强的泛化能力。其中卷积的局部感知和权值共享性可以大幅度减少神经网络的参数量,防止过拟合的同时又降低了神经网络模型的复杂度,给予了分类精准度很大的优化空间。本专利技术所研究的雷达剖面图主要由光谱、色块等底层语义组成。传统方法例如纹理检测、统计学方法等对于这种特殊的图像并不能发挥太多优势,原因主要有以下三点:1、无法有效学习雷达剖面图内在的特征,包括像素点的分布和渐变等;2、雷达剖面图包含信息量太大,传统方法处理过慢,无法解决大数据问题;3、缺乏高效的学习策略,难以提高识别的准确性。CNN的上层对语义更敏感,而中间层则特别敏感于底层模式,如颜色和梯度,因此使用CNN解决雷达剖面图识别问题是一个科学且可行的实践。CNN图像分类大多数都是基于有监督学习,这种学习方式在训练过程中需要大量的数据作为训练样本才能得到比较精确的分类。在雷达剖面图识别过程中,由于天气条件的限制,导致像雷雨大风等灾害天气的样本收集工作异常艰难。不仅如此,样本间过度的相似性也会影响训练效果,导致特征难以被有效学习。针对样本数量少和样本过度相似度的问题,我们 ...
【技术保护点】
1.一种利用DCGAN提高基于CNN图像识别性能的方法,其特征在于:包括以下步骤:(1)定义DCGAN中生成模型和判别模型的结构;(2)建立学习率加速策略;(3)生成样本检测;(4)构建基于CNN的图像识别框架;(5)性能优化。
【技术特征摘要】
1.一种利用DCGAN提高基于CNN图像识别性能的方法,其特征在于:包括以下步骤:(1)定义DCGAN中生成模型和判别模型的结构;(2)建立学习率加速策略;(3)生成样本检测;(4)构建基于CNN的图像识别框架;(5)性能优化。2.根据权利要求1所述的一种利用DCGAN提高基于CNN图像识别性能的方法,其特征在于:步骤(1)中所述的生成模型包括数据转化层和反卷积层,所述数据转化层和反卷积层的激活函数为LeakyReLu函数。3.根据权利要求1所述的一种利用DCGAN提高基于CNN图像识别性能的方法,其特征在于:步骤(1)所述的判别模型包括卷积层和全连接层,所述卷积层和全连接层之间激活函数为ReLu函数,所述全连接层末端二分类函数为Sigmoid或SoftMax函数。4.根据权利要求1所述的一种利用DCGAN提高基于CNN图像识别性能的方法,其特征在于:步骤(1)包括建立网络损失函数,所述的网络损失函数包括网络总体损失函数、生成模型损失函数和判别模型损失函数,上述函数表达式定义如下所示:所述网络总体损失函数表达式如下:所述生成模型损失函数表达式如下:LOSS(G)=-(log(D2(G(z))));所述判别模型损失函数表达式如下:LOSS(D)=-(log(D1(x))+log(1-D2(G(z))));其中:D(x)为根据数据x的判别函数,G(z)为根据噪声z的生成函数,表示x来源于数...
【专利技术属性】
技术研发人员:方巍,张飞鸿,丁叶文,
申请(专利权)人:南京信息工程大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。