Resumen

En este trabajo, se construye un método de fusión de características con entrenamiento guía (FGT-Net) para fusionar datos de imagen y datos numéricos para algunas tareas específicas de reconocimiento que no pueden clasificarse con precisión sólo según las imágenes. La estructura propuesta se divide en la parte de la red de pesos compartidos, la parte de la capa de fusión de características y la parte de la capa de clasificación. En primer lugar, se propone el método de entrenamiento guiado para optimizar el proceso de entrenamiento, las imágenes representativas y las imágenes de entrenamiento se introducen en la red de pesos compartidos para aprender la capacidad que extrae mejor las características de la imagen, y luego las características de la imagen y las características numéricas se fusionan en la capa de fusión de características para introducirlas en la capa de clasificación para la tarea de clasificación. Se realizan experimentos para comprobar la eficacia del modelo propuesto. La pérdida se calcula mediante la salida de la red de pesos compartidos y la capa de clasificación. Los resultados de los experimentos muestran que la red FGT propuesta alcanza una precisión del 87,8%, lo que supone un 15% más que el modelo CNN de ShuffleNetv2 (que sólo puede procesar datos de imagen) y un 9,8% más que el método DNN (que sólo procesa datos estructurados).

• 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 de peso compartido, datos de imagen, capa de clasificación, modelo de shufflenetv2, métodos de entrenamiento guiado, métodos de fusión de características, tarea de reconocimiento específica, parte de la capa de clasificación, resultados del experimento, características numéricas
• Keywords:shared weight network, image data, classification layer, model of shufflenetv2, guided training methods, features fusion methods, specific recognition task, classification layer part, results of experiment, numerical features