双频通道差异增强的图像分类网络

来源：计算机工程与应用杂志2026年第11期北京时间：

作者：袁姮, 范桐桐, 高原

单位：辽宁工程技术大学 软件学院，辽宁 葫芦岛 125105；

摘要：针对图像分类网络中图像特征区分度偏低，进而降低特征表达能力的问题，提出双频通道差异增强的图像分类网络（dual-frequency channel difference enhancement for image classification，DCDENet）。该网络以ResNet-34残差网络为基础。提出自定义差异增强卷积（custom difference enhancement convolution，CDEC）模块，对特征进行高响应值增强、低响应值抑制，增强高频特征和低频特征的差异，提高特征的表达能力。提出通道分离重构（channel separation and reconstruction，CSR）模块，将自定义差异增强卷积和通道重建卷积相融合，利用分离-变换-差异增强-融合策略，提高网络对关键特征的提取能力，减少冗余特征对网络信息传递的影响。将CSR模块嵌入到残差块中，提高训练的稳定性和收敛速度，增强特征的非线性表示能力，提高网络的分类能力。该方法在CIFAR-10、CIFAR-100和SVHN数据集上分别达到了96.66%、80.08%和97.55%的分类准确率，与当前先进的方法相比分别平均提高了3.56、4.77和4.24个百分点。与现有主流模型相比，该网络能够有效提高特征的表达能力和网络对关键特征的提取能力，减少通道中的冗余特征，增强特征的非线性表示能力，有效地提高了模型的分类能力。

关键词：图像分类,自定义差异增强卷积（CDEC）,通道重建卷积,通道分离重构（CSR）,残差网络

基金资助：国家自然科学基金（61172144）；辽宁省自然科学基金（20170540426）；辽宁省教育厅重点基金（LJYL049）。