基于改进ResNet-50的CIFAR-10图像分类系统设计

肖 晓杰
中南大学

摘要


该研究通过图像增强、结合最大池化和平均池化、引入 CBAM注意力机制和采用 GELU激活函数来改进
ResNet-50，提高其在 CIFAR-10上的图像分类精度，并构建基于改进ResNet-50的 CIFAR-10图像分类系统。实验
表明，改进ResNet-50在 CIFAR-10上的分类准确率和精确率分别为 97.49%和 97.41%，优于原始ResNet-50算法与
其他一些主流算法。综上所述，该研究方法有效地提升了ResNet-50在 CIFAR-10上的分类效果，并且具有较好的
安全性、环境友好性以及社会实际应用价值。

关键词


图像分类；改进ResNet-50；CIFAR-10

全文:

PDF


参考


[1]王影.基于深度学习的生活垃圾图像分类算法研

究 [D].重庆理工大学，2022.

[2]Manas Ranjan Biswal, Tahesin Samira Delwar, Abrar

Siddique, et al. Pattern Classification Using Quantized Neural

Networks for FPGA-Based Low-Power IoT Devices[J].

Sensors, 2022, 22(22): 8694.

[3]Tomoyuki Enomoto, Kazuhiko Kakuda, Shinichiro

Miura. New Activation Functions in CNN and Its

Applications[J]. International Conference on Computational &

Experimental Engineering and Sciences, 2019, 21(2): 36-39.

[4]Adil Redaoui, Amina Belalia, Kamel Belloulata. Deep

Supervised Hashing by Fusing Multiscale Deep Features for

Image Retrieval[J]. Information, 2024, 15(3): 143.

[5]Hua Shen, Zhiwei Wang, Jixin Zhang, et al. L-Net:

A lightweight convolutional neural network for devices with

low computing power[J]. Information Sciences, 2024.


Refbacks

  • 当前没有refback。