A Hybrid Deep Learning Architecture for Image Classification Across Diverse Visual Recognition Applications

方法

用Caltech-256数据集，结合GRU与BiLSTM，经预处理和特征提取后训

发现

混合模型ACC达98.9%、F1达100%，优于AlexNet、MobileNetV2等对比模型。

机会点

可将该混合架构迁移至农业图像分类（如病虫害识别），验证跨域泛化与轻量化部署。

图像分类这一计算机视觉核心问题在多个特定领域均有应用。本文旨在探讨图像分类在现代技术与社会中的重要意义，以及其理念、方法和应用。许多计算机视觉系统依赖于图像分类，即根据图像所提供的信息，自动将图像归入预定义类别。本研究训练了一个混合深度学习系统，利用Caltech-256数据集高效识别图像。该系统同时采用了双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）和门控循环单元（Gated Recurrent Units, GRU）。数据集预处理包括标准化、标签编码、损坏图像识别和重复项去除。将数据集划分为训练集和测试集后，下一步是对二者分别进行特征提取。所提出的GRU+BiLSTM模型与AlexNet、MobileNetV2、EfficientNet和CNN模型在准确率（ACC）、精确率（PRE）、召回率（REC）和F1分数（F1）方面进行了对比评估。根据现有实验数据，与顶级深度学习模型相比，所提方法在ACC（98.9%）、PRE（99.1%）、REC（99.3%）和F1（100%）方面均表现更优。研究结果验证了所提出的混合设计提供了一种强大而高效的