利用PCA进行深度学习图像特征提取后的降维研究
深度学习是当前人工智能领域广泛使用的一种机器学习方法.深度学习对数据的高度依赖性使得数据需要处理的维度剧增，极大地影响了计算效率和数据分类性能.本文以数据降维为研究目标，对深度学习中的各种数据降维方法进行分析.在此基础上，以Caltech 101图像数据集为实验对象，采用VGG-16深度卷积神经网络进行图像的特征提取，以PCA主成分分析方法为例来实现高维图像特征数据的降维处理.在实验阶段，采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标.实验证明：当提取VGG-16神经网络fc3层的4096维特征后，使用PCA法将数据维度降至64维，依然能够保持较高的特征信息.
文件下载
评论信息
其他资源
- 欧讯写频驱动
- GY-85集成加速度传感器、陀螺仪、电子罗盘、气压传感器。资料+代码
- Diode Lasers and Photonic Integrated Circuits
- SI4432（IA4432）中文手册完整版和中文编程指南
- IBE基于身份的加密经典算法
- stm32ov7725颜色识别小车
- 质点弹簧模型
- win环境下的cholmod库(已编译)
- 数电课程设计——30秒计时器
- CRC8校验，生成多项式：X8 + X2 + X + 1
- 一个php文件完成支付宝所有支付
- Grafana-jmeter面板插件json文件（可以显示各个交易的TPS曲线）
- zabora：Zabbix代理-Oracle-源码
- Windchill10.0_简介&业务管理.zip
- linux就该这么学.docx
- run-jetty-run_1.3.5_Eclipse离线安装包
- java二手房交易系统
- PSO—SVM
- kernel-devel-3.10.0-693.el7.x86_64.rpm
- 基于Spring MVC的个人博客系统的设计与实现
- 基于VC的数字图像处理
免责申明
【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论 【只为小站】 经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明