文献类型：期刊文章

作　　者：王军敏[1] 樊养余[2] 李祖贺[3]

Wang Junmin;Fan Yangyu;Li Zuhe(School of Information Engineering,Pingdingshan University,Pingdingshan 467000;School of Electronics and Information,Northwestern Polytechnical University,Xi’an 710129;School of Computer and Communication Engineering,Zhengzhou University of Light Industry,Zhengzhou 450002)

机构地区：[1]平顶山学院信息工程学院,平顶山467000 [2]西北工业大学电子信息学院,西安710129 [3]郑州轻工业大学计算机与通信工程学院,郑州450002

出　　处：《计算机辅助设计与图形学学报》

基　　金：国家自然科学基金(61702462,61873246);河南省科技厅科技攻关项目(202102210331,222102210214,222102210010);平顶山学院博士科研启动基金(PXY-BSQD-202004)。

年　　份：2022

卷　　号：34

期　　号：5

起止页码：701-710

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统的纹理图像识别方法设计过程复杂,而现有的基于深度学习的方法未能有效解决纹理图像样本数量偏少而导致识别精度不佳的问题,提出一种基于深度卷积神经网络和迁移学习的纹理图像识别方法.首先利用在大规模ImageNet图像数据集上预先训练的深度学习模型构造新的迁移学习模型;然后设置合理的模型超参数,并将训练损失、验证损失以及训练集和验证集深度特征距离的加权和作为训练的代价函数;最后通过逐层训练和验证确定最佳的迁移学习模型.实验结果表明,所提方法在CUReT,KTH-TIPS,UIUC,UMD和NewBarkTex纹理数据库上分别取得了99.76%,99.87%,99.80%,100.00%和94.01%的识别精度,具有良好的稳健性和识别能力.

关 键 词：纹理图像识别  深度卷积神经网络  迁移学习  特征提取

分 类 号：TP391.4]