19、卷积神经网络性能对比分析及安卓恶意软件检测研究

卷积神经网络性能对比分析及安卓恶意软件检测研究

卷积神经网络图像分类性能对比

在图像分类任务中，卷积神经网络（CNN）发挥着重要作用。研究对比了基于RGB彩色图像和二值图像的CNN模型在图像分类任务中的性能，具体数据如下表所示：
| 指标 | CNN（RGB彩色图像） | CNN（二值图像） | 二值图像[对比研究] | RGB彩色图像[对比研究] |
| ---- | ---- | ---- | ---- | ---- |
| 模拟时间(ms) | 14.20 | 29.00 | 22.00 | 13.00 |
| 准确率(%) | 71.06 | 99.10 | 97.00 | 91.76 |
| 图像大小 | 60,000 | 60,000 | 47,434 | 4000 |
| 数据库 | CIFAR - 10 | MINST | AHCD | YOLOvs |

从表中数据可以看出，在模拟时间方面，基于RGB彩色图像的CNN模型平均用时（14.20ms）优于基于二值图像的CNN模型（29.00ms），这与之前关于RGB彩色图像和二值图像的相关研究结果一致。而在准确率方面，情况则相反，基于二值图像的CNN模型准确率（99.10%）远高于基于RGB彩色图像的CNN模型（71.06%），并且在对比研究中也呈现出相同的趋势。同时，本研究采用的两个CNN模型在准确率、平均用时和考虑的图像数量等方面均优于现有的基准研究。

随着人工智能的发展，CNN及其扩展算法在医学、农业、监控、安全和道路交通等不同领域的图像分类、目标检测和语义分割中发挥着重要作用。不过，对于实时地理匹配应用，如城市3D、博物馆和购物中心的复杂立面等，所提出