• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>2016 IEEE International Conference on Functional-Structural Plant Growth Modeling, Simulation, Visualization and Applications >Flower classification via convolutional neural network
【24h】

Flower classification via convolutional neural network

机译：通过卷积神经网络进行花朵分类

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we address the problem of natural flower classification. It is a challenging task due to the non-rigid deformation, illumination changes, and inter-class similarity. We build a large dataset of flower images in the wide with 79 categories and propose a novel framework based on convolutional neural network (CNN) to solve this problem. Unlike other methods using hand-crafted visual features, our method utilizes convolutional neural network to automatically learn good features for flower classification. The neural network consists of five convolutional layers where small receptive fields are adopted, some of which are followed by max-pooling layers, and three fully-connected layers with a final 79-way softmax. Our approach achieves 76.54% classification accuracy on our challenging flower dataset. Moreover, test our algorithm on the Oxford 102 Flowers dataset. It outperforms the previous known methods and achieves 84.02% classification accuracy. Experimental results on a well-known dataset and our own dataset demonstrate that our method is quite effective in flower classification.
机译：在本文中，我们解决了自然花分类的问题。由于非刚性变形，光照变化和类间相似性，这是一项具有挑战性的任务。我们建立了一个包含79个类别的大型花卉图像数据集，并提出了一种基于卷积神经网络（CNN）的新颖框架来解决此问题。与使用手工制作的视觉特征的其他方法不同，我们的方法利用卷积神经网络自动学习用于花朵分类的良好特征。该神经网络由五个卷积层组成，其中采用了较小的接收场，其中一些后面是最大合并层，以及三个完全连接的层，最后是79向softmax。我们的方法在具有挑战性的花朵数据集上实现了76.54％的分类精度。此外，在Oxford 102 Flowers数据集上测试我们的算法。它优于以前的已知方法，并实现了84.02％的分类精度。在知名数据集和我们自己的数据集上的实验结果表明，我们的方法在花卉分类中非常有效。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号