排序方式: 共有1条查询结果,搜索用时 984 毫秒
1
1.
针对传统深度学习鱼类识别方法正确率较低、模型训练过程中参数不能够自适应确定的问题,提出了一种基于迁移学习(Transfer Learning, TL)的粒子群(Particle Swarm Optimization, PSO)改进ShuffleNet鱼类识别方法。以20种鱼类为对象,采用粒子群算法将模型的损失函数作为适应度函数,对批处理大小和学习率两个超参数进行优化,并利用迁移学习方式进行训练,构建了TL-PSO-ShuffleNet模型。结果显示:该方法与AlexNet、MobileNet、ShuffleNet模型相比,识别正确率分别提高了57.89%、30.43%、23.28%。本研究提出的鱼类识别方法具有正确率较高、参数设定具备自适应性等特点,为鱼类自动化识别研究提供了参考和借鉴。 相似文献
1