研究目的
提出一种名为DFCRF(具有卷积残差特征的深度森林)的场景识别方法,该方法利用卷积残差特征进行进一步识别,随后结合基于梯度的XGBoost和级联深度森林,并在AI Challenger数据集及重构的Places2数据集上验证其有效性。
研究成果
提出的DFCRF方法在不使用Places2等大规模训练数据集的情况下,在场景识别任务中达到了最先进的性能。其改进源于级联结构(提供逐层增强的特征)和自适应终止机制(使模型容量能随输入数据集规模动态调整)。
研究不足
该方法需要配备特定硬件的服务器进行训练,且性能可能随输入数据集的规模而变化。
1:实验设计与方法选择:
该方法基于周志华和冯霁提出的gcForest,利用卷积残差特征进行识别,随后采用基于梯度的XGBoost和级联深度森林。
2:样本选择与数据来源:
使用AI Challenger数据集(包含约5万张主要拍摄于中国的图像)和重构的Places2数据集。
3:实验设备与材料清单:
实验在配备Intel? Xeon? CPU E5-2620 v3 @ 2.40GHz的服务器上完成随机森林和逻辑回归训练,使用NVIDIA? TITAN X显卡进行XGBoost训练。
4:40GHz的服务器上完成随机森林和逻辑回归训练,使用NVIDIA? TITAN X显卡进行XGBoost训练。
实验流程与操作步骤:
4. 实验流程与操作步骤:从ResNet-152提取2048维的最后一层全连接层特征,随后通过级联深度森林进行分类。
5:数据分析方法:
测量AIC和重构Places2基准的准确率及前三位准确率。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容