申请/专利权人:江苏海洋大学;连云港鲸鸣信息科技有限公司
申请日:2024-01-09
公开(公告)日:2024-04-09
公开(公告)号:CN117854109A
主分类号:G06V40/10
分类号:G06V40/10;G06V10/764;G06V10/82;G06N3/0464;G06N3/084
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:本发明提出了一种基于ResNet50的海洋生物分类识别方法,重定义卷积层并使用批量正则化,避免梯度参数紊乱。在神经网络中使用残差连接实现瓶颈层,利用迁移学习的方法构建了残差网络ResNet50。在19种常见的海洋动物数据集上进行分类训练,实验结果表明ResNet50的识别达到90%左右,与传统卷积神经网络VGG19进行对比,结果表明ResNet50识别效果更好,从而验证了本发明提出的海洋生物分类识别模型的有效性,凸显了本发明在准确率上的明显优势。
主权项:1.残差网络ResNet50模型生物分类识别,其特征在于,具体步骤如下:S1:使用一个ResNet架构的神经网络模型,针对残差块内的参数进行修改,手动搭建模型ResNet50,解决传统神经网络隐藏层过多时的退化问题;S2:在模型和数据集中使用残差网络、批正则化避免了梯度消失和梯度爆炸这两种极端,加速模型训练,提高了模型的泛化能力;S3:使用反向传播算法,解决模型出现梯度参数紊乱和拟合度偏差较大的问题;S4:重定义卷积层,在原来的基础上为卷积层输出的值进行批量正则化,减少代码量的作用,增强检测模型的准确性;S5:通过建立瓶颈层,减少参数的数量,减少计算量,增强数据的训练和推理有效性和直观性。
全文数据:
权利要求:
百度查询: 江苏海洋大学;连云港鲸鸣信息科技有限公司 一种基于ResNet50的海洋生物分类识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。