基于 CNN 的街头集市帐篷分类
计算机视觉与模式识别
2025-09-22 v2
摘要
本研究论文提出了一个改进的深度学习模型，用于对街头集市的帐篷进行分类，将自定义卷积神经网络（CNN）与 EfficientNetB0 进行比较。这是一个关键任务，用于市场组织中的帐篷分类，但过去的手动方法效率低下。街头集市代表着许多地区经济的重要枢纽，尽管其非结构化特性为自动化帐篷市场基础设施分类（如帐篷）带来了显著挑战。在吉尔吉斯坦，超过四分之一的国内生产总值来源于集市。虽然 CNN 已被广泛应用于目标识别，但其应用于集市特定任务的研究仍属未充分探索的领域。本文在原始方法的基础上，通过在扩展的 126 张原始照片上进行训练，并进行数据增强来生成额外的图像。该数据集可在 Kaggle 上免费下载。使用各种性能指标（如准确率、精确率、召回率、F1 分数和平均精度（mAP））进行比较评估，以提供更为详尽的分类性能分析。结果表明，自定义 CNN 模型达到了 92.8% 的准确率，而 EfficientNetB0 显示出 98.4% 的准确率，确认了迁移学习在集市图像分类中的有效性。此外，通过分析混淆矩阵，分析揭示了每个模型的弱点和优势。这些发现表明，使用如 EfficientNetB0 这样的预训练模型可显著提高分类准确率和泛化能力。
关键词
引用
@article{arxiv.2506.17946,
title = {Classification of Tents in Street Bazaars Using CNN},
author = {Azamat Ibragimov and Ruslan Isaev and Remudin Reshid Mekuria and Gulnaz Gimaletdinova and Dim Shaiakhmetov},
journal= {arXiv preprint arXiv:2506.17946},
year = {2025}
}