A New Image Classification Approach via Improved MobileNet Models with Local Receptive Field Expansion in Shallow Layers

doi:10.1155/2020/8817849

.2020年8月1:2020:8817849。

doi:10.115/220/8817849。 eCollection 2020。

基于改进MobileNet模型的浅层局部接收场扩展图像分类新方法

王伟（音译）¹, 胡益阳¹, 邹婷², 刘红梅^三, 金旺^1 4, 王欣¹

附属公司

¹长沙科技大学计算机与通信工程学院，长沙410114，中国。
²中国电信股份有限公司益阳分公司，中国益阳413000。
^三湖南铁道职业技术学院，株洲410116，中国。
⁴福建工业大学信息科学与工程学院，福建350118。

PMID： 32802028
预防性维修识别码： PMC7416240
内政部： 10.1155/2020/8817849

基于改进MobileNet模型的浅层局部接收场扩展图像分类新方法

王伟（音译）等。计算机智能神经科学. 2020.

.2020年8月1:2020:8817849。

doi:10.1155/2020/8817849。 eCollection 2020。

作者

王伟（音译）¹, 胡益阳¹, 邹婷², 刘红梅^三, 金旺^1 4, 王欣¹

附属公司

¹长沙科技大学计算机与通信工程学院，长沙410114，中国。
²中国电信股份有限公司益阳分公司，中国益阳413000。
^三湖南铁道职业技术学院，株洲410116，中国。
⁴福建工业大学信息科学与工程学院，福建350118。

PMID： 32802028
预防性维修识别码： PMC7416240
内政部： 10.1155/2020/8817849

摘要

由于深度神经网络（DNN）是内存密集型和计算密集型的，因此很难应用于硬件资源有限的嵌入式系统。因此，需要对DNN模型进行压缩和加速。通过应用深度可分离卷积，MobileNet可以减少参数数量和计算复杂度，同时减少分类精度的损失。在MobileNet的基础上，提出了3种改进的浅层局部感受野扩展的MobileNet-模型，也称为扩张卷积MobileNet/扩张卷积模型。在不增加参数数量的情况下，使用扩展卷积来增加卷积滤波器的接收场，以获得更好的分类精度。分别使用属性数据集对Caltech-101、Caltech-256和Tubingen动物进行实验。结果表明，与MobileNet相比，扩展MobileNets可以获得高达2%的分类精度。

PubMed免责声明

利益冲突声明

作者声明没有利益冲突。

数字

请参阅PMC中的此图像和版权信息

类似文章

MiniNet：在资源受限的自治系统中，使用深度可分离卷积进行图像分类的密集压缩。
曾福华、叶赫、高飞、陈曦。曾福华等。 ISA事务。2023年1月；132:120-130. doi:10.1016/j.isatra.2022.07.030。Epub 2022年8月18日。 ISA事务。2023 PMID：36038366
新型冠状病毒疫情期间基于深度可分离卷积神经网络模型的口罩检测。
Asghar MZ、Albogamy FR、Al Rakhami MS、Asghar J、Rahmat MK、Alam MM、Lajis A、Nasir HM。 Asghar MZ等人。前线公共卫生。2022年3月7日；10:855254. doi:10.3389/fpubh.2022.855254。eCollection 2022年。前线公共卫生。2022 PMID：35321193 免费PMC文章。
基于改进MobileNet模型的CT图像蜂窝肺识别。
Gang L、Haixuan Z、Linning E、Ling Z、Yu L、Juming Z。 Gang L等人。医学物理学。2021年8月；48(8):4304-4315. doi:10.1002/mp.14873。Epub 2021年7月17日。医学物理学。2021 PMID：33826769
嵌入式平台上基于视觉的应用程序的量化友好移动网络（QF-MobileNet）体系结构。
Kulkarni U、S M M、Gurlahosur SV、Bhogar G。 Kulkarni U等人。神经网络。2021年4月；136:28-39. doi:10.1016/j.neunet.2020.12.022。Epub 2020年12月29日。神经网络。2021 PMID：33429131
LdsConv：通过群修剪学习深度可分离卷积。
林伟、丁毅、魏红龙、潘克星、张毅。林伟等。传感器（巴塞尔）。2020年8月4日；20(15):4349. doi:10.3390/s20154349。传感器（巴塞尔）。2020 PMID：32759800 免费PMC文章。

查看所有类似文章

引用人

使用微调MobileNet对DCE-MRI数据中的乳腺病变进行分类。
王磊，张明，何刚，沈德，孟明。王磊等。诊断（巴塞尔）。2023年3月11日；13(6):1067. doi:10.3390/诊断13061067。诊断（巴塞尔）。2023 PMID：36980377 免费PMC文章。
在乳腺癌诊断的超声筛查中，使用人工智能自动捕捉负责帧的可行性。
陈杰、姜瑜、杨坤、叶克星、崔C、石S、吴赫、田赫、宋德、姚J、王L、黄S、徐杰、徐德、董飞。陈杰等。 iScience。2022年12月5日；26(1):105692. doi:10.1016/j.isci.2022.105692。eCollection 2023年1月20日。 iScience。2022 PMID：36570770 免费PMC文章。
图像数据集结构对基于卷积神经网络的水稻病害识别准确性的影响。
周H，邓J，蔡D，吕X，吴BM。周浩等。前植物科学。2022年7月5日；13:910878. doi:10.3389/fpls.2022.910878。eCollection 2022年。前植物科学。2022 PMID：35865283 免费PMC文章。
使用内窥镜图像进行舌癌诊断的深度学习模型。
Heo J、Lim JH、Lee HR、Jang JY、Shin YS、Kim D、Lim J.Y、Park YM、Koh YW、Ahn SH、Chung EJ、Lee DY、Seok J、Kim CH。 Heo J等人。科学报告，2022年4月15日；12(1):6281. doi:10.1038/s41598-022-10287-9。科学报告2022。 PMID：35428854 免费PMC文章。
使用带有MobileNet V2和LSTM的深度学习神经网络对皮肤病进行分类。
Srinivasu PN、SivaSai JG、Ijaz MF、Bhoi AK、Kim W、Kang JJ。 Srinivasu PN等人。传感器（巴塞尔）。2021年4月18日；21(8):2852. doi:10.3390/s21082852。传感器（巴塞尔）。2021 PMID：33919583 免费PMC文章。

查看所有“被引用”文章

工具书类

1. Lowe D.G.不同尺度关键点的独特图像特征。国际计算机视觉杂志。2004;60(2):91–110.
1. Dalal N.，Triggs B.人体检测定向梯度直方图。IEEE计算机视觉和模式识别会议；2005年6月；美国加利福尼亚州圣地亚哥IEEE；第886–893页。-内政部
1. Xin W.，Can T.，Wei W.，Ji L.通过遥感检测水资源变化：L-V-NSCT方法。应用科学。2019;9（6）：第1223页。doi:10.3390/app9061223。-内政部
1. 王伟，杨勇，王霞。卷积神经网络的发展及其在图像分类中的应用：综述。《光学工程》2019；58（4）：第1页。doi:10.117/1.oe.58.4.040901.040901-内政部
1. 王伟，胡毅，罗毅，张毅。基于深度学习方法的单幅图像超分辨率重建概述。传感和成像。2020;21（1）doi:10.1007/s11220-020-00285-4。-内政部

MeSH术语

行动
行动
行动
行动
行动
行动

LinkOut-更多资源

全文源
其他文献来源
- 镜片-专利引文

[1] Lowe D.G.不同尺度关键点的独特图像特征。国际计算机视觉杂志。2004;60(2):91–110.

[2] Lowe D.G.不同尺度关键点的独特图像特征。国际计算机视觉杂志。2004;60(2):91–110.

[3] Dalal N.，Triggs B.人体检测定向梯度直方图。IEEE计算机视觉和模式识别会议；2005年6月；美国加利福尼亚州圣地亚哥IEEE；第886–893页。-内政部

[4] Dalal N.，Triggs B.人体检测定向梯度直方图。IEEE计算机视觉和模式识别会议；2005年6月；美国加利福尼亚州圣地亚哥IEEE；第886–893页。-内政部

[5] Xin W.，Can T.，Wei W.，Ji L.通过遥感检测水资源变化：L-V-NSCT方法。应用科学。2019;9（6）：第1223页。doi:10.3390/app9061223。-内政部

[6] Xin W.，Can T.，Wei W.，Ji L.通过遥感检测水资源变化：L-V-NSCT方法。应用科学。2019;9（6）：第1223页。doi:10.3390/app9061223。-内政部

[7] 王伟，杨勇，王霞。卷积神经网络的发展及其在图像分类中的应用：综述。《光学工程》2019；58（4）：第1页。doi:10.117/1.oe.58.4.040901.040901-内政部

[8] 王伟，杨勇，王霞。卷积神经网络的发展及其在图像分类中的应用：综述。《光学工程》2019；58（4）：第1页。doi:10.117/1.oe.58.4.040901.040901-内政部

[9] 王伟，胡毅，罗毅，张毅。基于深度学习方法的单幅图像超分辨率重建概述。传感和成像。2020;21（1）doi:10.1007/s11220-020-00285-4。-内政部

[10] 王伟，胡毅，罗毅，张毅。基于深度学习方法的单幅图像超分辨率重建概述。传感和成像。2020;21（1）doi:10.1007/s11220-020-00285-4。-内政部

将引文保存到文件

电子邮件引文

添加到集合

添加到我的书目

您保存的搜索

为外部引文管理软件创建文件

您的RSS源

基于改进MobileNet模型的浅层局部接收场扩展图像分类新方法

附属公司

基于改进MobileNet模型的浅层局部接收场扩展图像分类新方法

作者

附属公司

摘要

利益冲突声明

数字

类似文章

引用人

工具书类

MeSH术语

LinkOut-更多资源

全文源

其他文献来源

摘要

利益冲突声明

数字

类似文章

引用人

工具书类

MeSH术语

相关信息

LinkOut-更多资源

全文源

其他文献来源