基于改进的深度残差网络的图像识别

随着大数据时代的发展,深度学习也渐渐变得更加实用,引领人工智能时代的发展. 卷积神经网络在图像领域中发挥着非常重要的作用,是深度学习模型中重要组成部分之一. 图像识别的关键攻破点在于如何提取图像的有效特征,从而有效地解决图像识别问题. 针对这一难点,本文主要在残差网络(ResNet)的基础上引入空间变换网络. 空间变换网络可以有效地提取目标区域特征,提高图像识别效率. 同时由于Softmax分类器提取的特征区分并不明显,甚至存在类内间距大于类间间距弊端. 但在图像识别任务中期望特征不仅可分,而且要求类间分别提取的特征区分差异大. 针对这一问题,本文在软最大值(Softmax)分类器中引入中心损失函数(Center Loss). Center Loss损失函数能够使得提取的特征类间距离大,类内距离小,从而提高提取的特征识别度. 在公开的CIFAR10数据集上,该模型取得了不错的性能,识别准确率达到了89%. 相同实验条件下,相对于未改善的残差网络模型,本文提出的模型在公开的CIFAR10数据集识别正确率提高了6%