一种基于灰狼优化（GWO）的高效模式挖掘卷积神经网络（CNN）算法
计算机视觉与模式识别
2023-01-20 v1 人工智能
摘要
动态图像帧数据集中特征分析的自动化涉及正常与异常类别强度映射的复杂性。基于阈值的数据聚类与特征分析需要迭代模型，以针对不同图像帧数据类型在多模式中学习图像帧的组分。本文提出一种基于 CNN 的特征分析新方法，利用由灰狼优化（GWO）算法优化的小波变换卷积模式（CPWT）特征向量。首先，对图像帧应用中值滤波进行归一化，以降低噪声并对其进行平滑。由此，边缘信息表示图像帧中亮点的边界区域。基于神经网络的图像帧分类以最小数据集训练对特征进行重复学习，以聚类图像帧像素。滤波后图像帧的特征在基于小波变换卷积模型的不同特征提取模式模型中分析。这些特征表示图像帧在空间与纹理模式中的不同类别。卷积神经网络（CNN）分类器支持分析特征并为图像帧数据集分类动作标签。该过程以最少训练数据集数量增强了分类效果。所提方法的性能可通过与传统的前沿方法比较来验证。
引用
@article{arxiv.2204.04704,
title = {An Efficient Pattern Mining Convolution Neural Network (CNN) algorithm with Grey Wolf Optimization (GWO)},
author = {Aatif Jamshed and Bhawna Mallick and Rajendra Kumar Bharti},
journal= {arXiv preprint arXiv:2204.04704},
year = {2023}
}