摘要
传统卷积神经网络对空间信息不敏感,无法学习到不同特征间相对位置的关系,且每一层神经元的感受野被设计为相同大小,导致提取的图像特征信息不够精确。针对这些问题,提出一种选择性卷积核胶囊网络用于图像分类任务。在经典胶囊网络的卷积层融入具有两个分支的选择性卷积核网络,以提取更为丰富、准确的图像特征信息,提高图像分类准确率。采用CIFAR-10、Fashion-MNIST、SVHN经典图像分类数据集进行实验,结果表明,相比于基线胶囊网络模型,新模型的识别精度更高,尤其在CIFAR-10数据集上识别精度提高了1.73%,从而有效提升了图像分类准确率,具有良好的图像识别能力。
0 引言
图像分类是计算机视觉领域的一个重要研究方向[1],旨在从图像或图像序列中提取出目标的判别性特征,以精确判别目标所属类别。随着图像分类技术的快速发展,在许多应用领域取得了较为显著的成绩,并逐步推动人类进入智能时代。目前,图像分类技术在医疗图像处理