.png){kind=icon}
返回
A machine learning-based feature extraction method for image classification using ResNet architecture
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105036.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着深度学习的发展，卷积神经网络（CNNs）已成为图像分类的主流方法，而ResNet架构的出现显著加速了这一进程。然而，随着模型深度的增加，特征冗余限制了模型性能。尽管像主成分分析（PCA）这样的传统机器学习方法可以有效去除冗余特征，但目前尚无有效方法将PCA作为特征提取技术整合到不同的卷积神经网络架构中。本研究提出了一种选择性主成分层（SPCL），这是一种将PCA有效整合到卷积神经网络中以筛选关键特征并提升深度学习模型特征表示能力的方法。SPCL应用于ResNet架构模型，以减少冗余特征并增强图像分类任务中的泛化性能。在CIFAR-10和Tiny ImageNet数据集上的评估证明了其有效性。结果表明，SPCL可普遍应用于ResNet架构模型，提升模型精度，在无需显著增加计算开销的情况下平衡模型性能与稳定性的提升，展现出其在复杂图像分类任务中增强性能的潜力。
Keyword:
Deep learning
Machine learning
Principal component analysis
Feature extraction
Image classification
期刊
IF:
3.6
论文数:
9.9K
被引数:
1.7W
机构
引用论文
Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions了解机器学习与深度学习: 架构，工作流程，应用程序和未来方向.png)
Computers
OAAI
ComputersIF0
OAAI分享收藏
PDAS: Improving network pruning based on Progressive Differentiable Architecture Search for DNNsPda: 基于dnn的渐进可微分体系结构搜索改进网络修剪
PREAI
分享收藏
查看更多内容