Resumen

La característica de compartir pesos de una red neuronal convolucional puede reducir significativamente el engorroso grado de la estructura de la red y reducir el número de pesos que hay que entrenar. El modelo puede introducir directamente la imagen original, sin el proceso de extracción de características y reconstrucción de datos en los algoritmos de clasificación habituales. Este tipo de estructura de red tiene un buen rendimiento en el procesamiento y reconocimiento de imágenes. Basándose en el método de evaluación objetiva del color de la red neuronal convolucional, este trabajo propone un modelo de red neuronal convolucional basado en el espacio multicolor y construye una red neuronal convolucional basada en VGGNet (Visual Geometry Group Net) en tres espacios de color diferentes, a saber, RGB (Red Green Blue), LAB (Luminosity a b), y HSV (Hue Saturation Value). Llevamos a cabo una investigación sobre el procesamiento de la entrada de datos y la selección de la salida del modelo y realizamos la extracción de características y la predicción de las imágenes en color. Después de una selección de salida del modelo, los resultados de la predicción de los diferentes espacios de color se fusionan y se obtiene la categoría de predicción final. Este artículo comienza con la correlación multidimensional para el procesamiento de imágenes de arte visual y la evaluación objetiva del color. Teniendo en cuenta la relación entre la evolución del estilo de la pintura artística y el color de las imágenes artísticas, este artículo explora las características de las dimensiones de las imágenes artísticas. Teniendo en cuenta diferentes factores, se diseñan las correspondientes estrategias de extracción de conocimiento para generar la distribución de etiquetas de color, proporcionar información complementaria de la historia del arte para las imágenes de entrada y entrenar el modelo en un marco de aprendizaje multitarea. En este trabajo, los experimentos realizados con múltiples conjuntos de datos de pinturas artísticas demuestran que este método es superior a los métodos de clasificación con una sola etiqueta de color.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neural convolucional, selección de la salida del modelo, espacio de color diferente, extracción de características, estructura de la red, proceso de características, categorías de predicción final, métodos de evaluación de objetivos, distribución de etiquetas de color, tipo de red
• Keywords:convolutional neural network, model output selection, different color space, features extraction, network structure, process of features, final prediction categories, objectives evaluation methods, color label distribution, kind of network