DenseHillNet:一种轻量级的CNN,用于准确分类自然图像
Sheikh Muhammad Saqib1, Muhammad Zubair Asghar1, Muhammad Iqbal1
1Institute of Computing and Information Technology, Gomal University, D.I.Khan, Pakistan.
PeerJ. Computer science
|April 30, 2024
概括
一个新的DenseHillNet模型准确地对冰川和山脉图像进行分类,改善了用于交通自动化和户外活动的自然图像检测. 这种卷积神经网络 (CNN) 实现了86%的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 自然图像检测对于交通自动化和户外活动至关重要.
- 卷积神经网络 (CNN) 广泛用于图像识别,但面临着像消失梯度这样的局限性.
- 现有的研究专注于特定的图像类型,在自然图像检测中留下了一个空白,特别是对于冰川和山脉.
研究的目的:
- 推出一个新的CNN模式,DenseHillNet,旨在克服传统CNN的局限性.
- 为了准确地分类自然图像,特别是区分冰川和山脉.
- 通过改进图像检测,增强交通和户外活动中的自动化技术.
主要方法:
- 开发了一个新的DenseHillNet架构,一种具有密集连接层的CNN类型.
- 使用了为"冰川"和"山"类别的3096张图像的数据集.
- 采用严格的方法来准备数据集和模型培训.
主要成果:
- 丹塞希尔网模型在分类冰川和山脉图像方面取得了86%的准确性.
- 这一表现明显高于传统的CNN模型,该模型仅使用冰川图像进行训练 (72%的准确率).
- 该模型展示了自然景观的有效分类.
结论:
- 丹斯希尔网为自然图像分类提供了有效的解决方案,性能优于传统的CNN.
- 该模型的准确性有助于交通自动化和户外活动技术的进步.
- 这项研究为计算机视觉和人工智能领域的研究人员和研究生提供了宝贵的工具.
