程飞飞 王龙 谌洪茂

（东华理工大学信息工程学院，南昌，330013）

0 引言

图像的场景分类在互联网及各种应用中有着广泛的需求，如何使得电脑能够像人一样准确地将一个场景做出精准而详尽的分类被认为是一项有重要意义的基础研究[1]。机器视觉和深度学习是人工智能技术的重要研究方向和发展热点，其帮助构建深度人工神经网络，基于物理特征提取和学习的算法对图片特征进行分类，通过深层神经网络，把逐层提取出的数据由底层到高层传送[2]。本文提出的一种基于迁移学习方法改进VGG模型，应用在图片的场景分类上，能极大提高图片场景分类精度和速度。

1 数据集

本文中所使用的数据集是Baidu AI Studio人工智能学习与实训社区的场景相结合进行分类中的一个数据集，从一万张的图片中筛选得出了3500张比较好的场景，分别归纳为5个不同的实训场景，分别为草坪、河水、冰雪、沙漠、教堂。从这些图片中再筛选出大约75%左右的图片作为一个训练集，大约15%的图片作为检测测试集，大约10%左右的图片作为检测验证集，其中每张图像的尺寸都是不尽相同的。

2 场景分类算法设计步骤

2.1 图像预处理

由于每张图片的尺寸和大小不同，首先将数字化图像切割并对其进行一个小幅度的缩放，然后缩放后的整张数字化图片再次进行裁剪，即可以得出224×224大小的整张数字化图片，再进行像素的归一化处理，将处理好的图像存储到数组中。

2.2 数据增强

采用随机数据图片加权长度增强分析算法，将每一个输入的图片数据长度量化到0~1之间；……