一种用于植物叶片分类的混合DenseNet121-随机向量函数链接方法

《Scientific Reports》：A hybrid DenseNet121-random vector functional link (RVFL) approach for plant leaf classification

　　

摘要

随机向量函数链接（RVFL）网络为训练前馈单隐藏层神经网络提供了一种高效快捷的方法。它通过利用固定的随机权重和封闭形式的输出计算，解决了传统神经网络存在的收敛速度慢以及过拟合等问题。DenseNet121架构在人工智能领域，尤其是在物体识别任务中具有巨大潜力。然而，它的缺点在于无法展示分类过程中的中间分析结果，因此该算法在分析训练过程时灵活性较差。为了解决这个问题，我们提出了将DenseNet121与RVFL相结合的解决方案。在该框架下，首先使用预训练的DenseNet121模型处理输入图像，提取出重要的纹理和轮廓结构特征。接着，为了降低这些特征的维度并去除冗余信息，采用了主成分分析（PCA）方法，只保留最具信息量的特征分量。之后，将这些简化后的特征输入RVFL进行分类，由其完成最终的分类工作。为了了解所提出的DenseNet121-RVFL方法的性能，我们将其与几种基准分类器进行了对比实验，包括DenseNet121-支持向量机、DenseNet121-双支持向量机、DenseNet121-极限学习机、单纯的DenseNet121以及DenseNet121-核岭回归。实验结果表明，与其他方法相比，混合型的DenseNet121-RVFL模型表现最佳，在测试数据集上的准确率为94.45%，F1分数为0.955，几何平均值（G-Mean）为0.898，曲线下面积（AUC）为0.961。