Resumen

Aunque los métodos tradicionales existentes de clasificación de imágenes han sido ampliamente aplicados en problemas prácticos, existen algunos problemas en el proceso de aplicación, como efectos insatisfactorios, baja precisión de clasificación y débil capacidad de adaptación. Este método separa la extracción de características de la imagen y la clasificación en dos pasos para la operación de clasificación. El modelo de aprendizaje profundo tiene una poderosa capacidad de aprendizaje, que integra la extracción de características y el proceso de clasificación en uno solo para completar la prueba de clasificación de imágenes, lo que puede mejorar efectivamente la precisión de la clasificación de imágenes. Sin embargo, este método tiene los siguientes problemas en el proceso de aplicación: primero, es imposible aproximar efectivamente las funciones complejas en el modelo de aprendizaje profundo. Segundo, el modelo de aprendizaje profundo viene con un clasificador con baja precisión. Por lo tanto, este documento introduce la idea de representación dispersa en la arquitectura de la red de aprendizaje profundo y utiliza de manera integral la representación dispersa de la capacidad de descompos

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Métodos tradicionales de clasificación de imágenes existentes; Modelo de aprendizaje profundo; Extracción de características; Proceso de clasificación; Representación dispersa; Función de kernel optimizada
• Keywords:Existing traditional image classification methods; Deep learning model; Feature extraction; Classification process; Sparse representation; Optimized kernel function