一个改进的囊网络用于图像分类,使用多尺度特征提取
Wenjie Huang1, Ruiqing Kang1, Lingyan Li1
1Main Campus, Automation College, University of Science and Technology Beijing (USTB), Haidian District, Beijing 100083, China.
Journal of imaging
|October 28, 2025
概括
这项研究引入了用于图像分类的增强型囊网络. 新型拓改进了特征提取和分类准确性,解决了标准囊网络中的计算开销和概括问题.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 囊网络提供强大的图像分类,但由于高计算成本和对复杂数据集的不良概括而受到影响.
- 标准的囊网络由于其复杂的结构和大量的参数,可以过度适应基本的数据集.
研究的目的:
- 提出一种新的增强囊网络拓,克服标准囊网络的局限性.
- 提高特征提取能力和分类性能,同时降低计算开销.
主要方法:
- 整合了一个多尺度的特征提取模块,并将恒星结构卷积到囊网络中.
- 综合优化技术,包括密集的连接,注意力机制和低级矩阵运算.
- 在CIFAR-10,CIFAR-100,CUB,ISIC和Forged Face EXP等各种数据集上评估了增强的网络.
主要成果:
- 增强的囊网络在多个数据集中展示了强大的分类性能.
- 实现了高准确率,包括ISIC数据集上的98.21%和Forged Face EXP数据集上的95.38%.
- 拟议的网络有效地平衡了特征提取能力和计算效率.
结论:
- 新的增强囊网络拓学显著提高了图像分类性能.
- 多尺度特征提取和优化技术的整合解决了现有囊网络的关键局限性.
- 这项研究为开发更有效,更准确的图像分类深度学习模型提供了有希望的方向.
