16、基于迁移学习网络混合的细粒度分类及自动头覆盖层厚度测量研究

基于迁移学习网络混合的细粒度分类及自动头覆盖层厚度测量研究

1. 基于迁移学习网络混合的细粒度分类

1.1 背景与动机

在细粒度分类问题中，提高分类准确性一直是研究的重点。之前的研究展示了多种组合训练好的神经网络的方法，如最优线性组合和多数投票等。Firsching和Hashem（FH）将迁移学习应用于多个ImageNet挑战赛的获胜网络，在一个细粒度的汽车图像分类数据集上取得了不错的效果，最佳网络的准确率达到了88.14%，相比Krause等人的结果有了11.04%的提升。然而，该数据集存在一些类别之间非常相似的情况，导致部分图像容易被混淆，因此本文尝试通过网络混合的方法进一步提高分类准确性。

1.2 相关工作

FH使用迁移学习在细粒度汽车数据集上训练了九个深度卷积神经网络，包括ResNet34、ResNet50等。在训练前，他们将训练数据按80%和20%的比例分为训练集和验证集。实验结果显示，几乎每个网络在6442张训练图像上都取得了接近完美的分数，最佳网络在8065张测试图像上的准确率为88.14%。

同时，研究发现一些类别之间存在较高的混淆情况，例如1994年的奥迪100轿车与1994年的奥迪V8轿车被所有九个网络混淆了172次。不过，也有4192次混淆发生在不到一半的网络中。

1.3 迁移学习网络的混合方法

1.3.1 分类求和

将FH训练的神经网络的输出进行求和，每个训练好的网络通过输出节点的值的大小为选定的类别赋予权重，最终根据输出层中值最大的节点选择类别。

1.3.2 多数投票

这是一种常见的组合神经网络的