基于EfficientNet的迁移学习在近代文献图像分类中的应用研究——以上海图书馆《中国近代文献图库》为例

[目的/意义]近代文献中的图像作为重要的历史史料，日益受到人文学者的重视，大规模图像资源的深度标注也随之成为图像数据基础设施建设的重要组成部分，利用深度学习对海量图像进行内容解析是图像研究的新方向。本文的研究目的，是通过基于EfficientNet的迁移学习在近代文献图像分类中的实证研究，解决大规模近代文献图像的自动分类问题，提高其在实际应用中的准确率和效率。[方法/过程]本文的研究方法，是根据近代文献图像中的特征分析，采用7 645张近代文献图像数据集，通过裁切、白平衡、色调分离、仿射变换等图像增强手段串行叠加，提高样本图像的多样性，并通过对深度学习算法的研究，使用微调的简化EfficientNet深度卷积神经网络模型进行迁移学习，最终得到了在近代文献图像分类上表现良好的模型。[结果/结论]本文的研究结论，是根据实验结果发现，该模型有效提高了图像分类效率和分类准确性，对于解决近代文献中大规模图像的自动分类具有一定的推广价值。