传统机器学习与深度学习技术在数据与图像分类上的对比分析
计算机视觉与模式识别
2025-04-30 v1 机器学习
摘要
本研究的目的是分析并比较用于计算机视觉 2D 目标分类任务的最常见机器学习与深度学习技术。首先，我们将介绍视觉词袋模型与深度卷积神经网络（DCNN）的理论背景。其次，我们将实现视觉词袋模型、VGG16 CNN 架构。第三，我们将提出自定义的初级 DCNN，并在修改版的 Belgium Traffic Sign 数据集上测试上述实现。我们的结果展示了超参数对传统机器学习的影响，以及 DCNN 相比经典机器学习方法在准确率上的优势。正如我们的测试所示，我们提出的方案能达到与现有 DCNN 架构相似——且在某些情况下更好——的结果。最后，本文的技术价值在于所提出的计算更简单的 DCNN 架构，我们相信其可为基本任务使用更高效架构铺平道路。
引用
@article{arxiv.2204.05983,
title = {Comparison Analysis of Traditional Machine Learning and Deep Learning Techniques for Data and Image Classification},
author = {Efstathios Karypidis and Stylianos G. Mouslech and Kassiani Skoulariki and Alexandros Gazis},
journal= {arXiv preprint arXiv:2204.05983},
year = {2025}
}
备注
9 pages, 9 figures, 4 tables. This is an Accepted Manuscript of an article published by Wseas Transactions on Mathematics on 2022, available online: https://doi.org/10.37394/23206.2022.21.19