Resumen

En los últimos años, el aprendizaje profundo se ha convertido en un punto caliente de la investigación y ha tenido un profundo impacto en la visión por ordenador. La CNN profunda ha demostrado ser el modelo más importante y eficaz para el procesamiento de imágenes, pero debido a la falta de muestras de entrenamiento y al enorme número de parámetros de aprendizaje, es fácil que tienda a sobreajustarse. En este trabajo, proponemos una nueva red de clasificación de imágenes CNN de dos etapas, denominada "Improved Convolutional Neural Networks with Image Enhancement for Image Classification" y PLANET en abreviatura, que utiliza un nuevo método de mejora de datos de imagen denominado InnerMove para mejorar las imágenes y aumentar el número de muestras de entrenamiento. InnerMove se inspira en la escena de "movimiento de objetos" en visión por ordenador y puede mejorar la capacidad de generalización de los modelos CNN profundos para tareas de clasificación de imágenes. Suficientes resultados experimentales muestran que PLANET utilizando InnerMove para la mejora de imágenes supera a los algoritmos comparativos, e InnerMove tiene un efecto más significativo que los métodos comparativos de mejora de datos para tareas de clasificación de imágenes.

• Materias:Matemáticas
• Subjects:mathematics
• Palabras claves:tareas de clasificación de imágenes, innermove, visión por computador, muestras de entrenamiento, métodos comparativos de mejora de datos, nuevo método de mejora de datos de imágenes, red de clasificación de imágenes cnn por etapas, redes neuronales convolucionales, resultados experimentales suficientes, modelos cnn profundos
• Keywords:image classification tasks, innermove, computer vision, training samples, comparative data enhancement methods, new image data enhancement method, stage cnn image classification network, convolutional neural networks, sufficient experiment results, deep cnn models