基于Matlab的水平集算法与DogClassification：利用CNN实现斯坦福犬数据集分类

简介：
本研究采用Matlab平台，结合水平集算法进行图像处理，并使用卷积神经网络（CNN）在斯坦福犬数据集上实现了高效的犬类分类，展示了算法的有效性和准确性。 在进行水平集matlab代码DogClassification的过程中，首先需要将数据按照mat文件所记录的方式分为训练集和测试集两部分。由于原始的12000张图片作为训练集略显不足，因此对每一张训练图像采取了额外的数据增强措施：从每个图片中提取左上角、右上角、左下角、右下角以及中间各80%区域的部分，并进行水平翻转操作。这样处理后，单个原始图便能生成10张新图用于模型训练。 在训练策略方面，则采用了迁移学习的方法，利用预先训练好的VGG16网络架构作为基础框架，在移除其顶层全连接层之后添加自定义的神经网络结构进行进一步微调和优化。具体来说，每一幅图像经过VGG16卷积部分处理后会生成一个7*7*512维度特征向量，随后将其展平，并考虑到样本数量有限的问题，将后续两个全连接层中的节点数从4096减少至1024以适应现有数据规模。此外，在两层之间还引入了dropout机制（比例为0.5），旨在减轻模型过拟合的风险。 最终输出阶段采用softmax函数实现多分类任务，并设置了总共包含120个类别的标签体系。经过500轮迭代训练，整个过程耗时约-183秒，在最后一轮评估中取得了平均损失值（loss）为1.7354、准确率（acc）达到0.891的性能指标，并且通过precision、recall和f1-score等关键评价标准进一步证明了模型的有效性。