摘要
提出了一种基于双分支卷积神经网络(TB-CNN)的牛人脸识别模型。将采集到的两幅不同角度的牛脸图像输入到不同通道的卷积神经网络进行特征提取,将两个通道的特征进行特征融合,并将全局平均池层与分类器相结合,识别出个体牛。在网络模型的特征提取网络中嵌入了挤压激励块(SE),提高了网络的特征提取能力。用全局平均池层代替全连通层,提高了网络分类能力,减少了网络参数的数量。
双分支卷积神经网络模型构建
改进后的模型用PReLU代替ReLU作为激活函数进行训练
测评
充分评价该网络在牛面部图像数据集上的分类能力。除了通过查准率、查全率和F1-Score进行性能评价外,本文还引入了Kappa系数进行评价。各指标的计算公式如下:
在牛脸识别的多分类任务中,我们计算了它的准确率、召回率和F1得分。然后,通过加权平均的方法计算出上述指标的平均值,从而对模型的性能进行综合评价。结合实验结果和加权平均的性质,准确率、召回率和F1得分的权重分别为0.2、0.2和0.6。计算方法如公式所示。(10):