基于改进Res2Net与迁移学习的水果图像分类

摘要

针对传统水果图像分类算法特征学习能力弱和细粒度特征信息表示不强的缺点，提出一种基于改进Res2Net与迁移学习的水果图像分类算法。首先，针对网络结构，在Res2Net的残差单元中引入动态多尺度融合注意力模块，对各种尺寸的图像动态地生成卷积核，利用meta-ACON激活函数优化ReLU激活函数，动态学习激活函数的线性和非线性，自适应选择是否激活神经元；其次，采用基于模型迁移的训练方式进一步提升分类的效率与鲁棒性。实验结果表明，该算法在Fruit-Dataset和Fruits-360数据集上的测试准确率相比Res2Net提升了1.2%和1.0%，召回率相比Res2Net提升了1.13%和0.89%，有效提升了水果图像分类性能。

关键词

图像分类 / Res2Net / 动态多尺度融合注意力 / 激活函数 / 迁移学习