Enhanced Image Classification Using Modified Dense Convolutional Network (MDCN) Utilizing Transfer Learning and Optimization Algorithms
Notice bibliographique
Résumé
Classification of image is a crucial part in computer vision, but current approaches often struggle with challenges such as high computational cost, difficulty in handling small datasets, and sensitivity to noisy data. Traditional and modern deep-learning models need careful adjustment of hyperparameters like batch-size and learningrate, which is a time-consuming manual process that increases training time. To solve these problems, this study introduces a deep-learning framework which integrates Transfer-learning (Feature-Extraction & Knowledge-Distillation) with optimization techniques to enhance accuracy and efficiency. First, a pre-trained ResNet50 architecture is fine-tuned on the Animal Classification dataset, which contains four different animal classes. The learned weights from ResNet50, obtained through feature-extraction and knowledge-distillation, are then transferred to the Modified Dense Convolutional Network (MDCN) to enhance its ability to extract meaningful features and improve classification performance. To further optimize the model, the Whale Optimization Algorithm (WOA) is used for automatic hyperparameter tuning. Instead of manually adjusting parameters like batch-size and learning-rate, WOA selects the best values, reducing training time and improving overall accuracy. Results from experimental-simulations suggest that the proposed method achieves 99.45 % accuracy in 40 epochs, outperforming the benchmark algorithms such as proposed algorithm with Grid Search, proposed algorithm without WOA, Dense-Net 121, Resnet50 and Long Short-Term Memory (LSTM). The combination of transfer-learning and optimization helps speed up training while reducing errors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».