近年來(lái),國(guó)家與大眾對(duì)于文物保護(hù)日趨重視,文物數(shù)字化技術(shù)也因此得到研究人員的廣泛關(guān)注。隨著文物數(shù)字化工作展開,文物圖像數(shù)據(jù)呈爆發(fā)趨勢(shì)。為此本文針對(duì)文物圖像大規(guī)模自動(dòng)化管理多種應(yīng)用場(chǎng)景需求,開展基于深度學(xué)習(xí)方法的文物圖像單標(biāo)簽分類和多標(biāo)簽分類算法研究。本文主要研究工作如下:（1）針對(duì)目前沒(méi)有公開的大規(guī)模多類別的文物藏品圖像數(shù)據(jù)集現(xiàn)狀,本文通過(guò)網(wǎng)絡(luò)途徑分別針對(duì)國(guó)內(nèi)和國(guó)外藏品類型構(gòu)建了兩個(gè)具有代表性的數(shù)據(jù)集DPM數(shù)據(jù)集和MET數(shù)據(jù)集,分別用于單標(biāo)簽和多標(biāo)簽分類研究,對(duì)于相關(guān)領(lǐng)域大規(guī)模深度學(xué)習(xí)數(shù)據(jù)集的構(gòu)建具有借鑒意義。（2）文物圖像單標(biāo)簽分類,針對(duì)DPM數(shù)據(jù)集小樣本問(wèn)題,本文首先通過(guò)深度遷移學(xué)習(xí)手段針對(duì)主流深度學(xué)習(xí)模型進(jìn)行DPM數(shù)據(jù)集分類,其中ResNet50模型達(dá)到近87%準(zhǔn)確率。針對(duì)文物圖像類內(nèi)差異大、類間差異小問(wèn)題,本文借鑒集成學(xué)習(xí)思想,提出一種結(jié)合點(diǎn)卷積和集成學(xué)習(xí)的多特征融合分類方法,其中基于局部連接點(diǎn)卷積的方法最終在DPM數(shù)據(jù)集上將分類準(zhǔn)確率提高了近5個(gè)百分點(diǎn)。（3）文物圖像多標(biāo)簽分類,針對(duì)文物圖像多為單物體圖像特點(diǎn),從利用標(biāo)簽相關(guān)性角度提出一種基于RNN迭代預(yù)測(cè)的多標(biāo)簽分類神經(jīng)網(wǎng)絡(luò),... 

【文章來(lái)源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 單標(biāo)簽圖像分類研究現(xiàn)狀
        1.2.2 多標(biāo)簽分類研究現(xiàn)狀
    1.3 主要研究工作和創(chuàng)新點(diǎn)
    1.4 文章組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 相關(guān)技術(shù)綜述
    2.1 圖像單標(biāo)簽分類
        2.1.1 圖像單標(biāo)簽分類傳統(tǒng)算法
        2.1.2 圖像單標(biāo)簽分類深度學(xué)習(xí)算法
        2.1.3 圖像分類樣本不均衡問(wèn)題
    2.2 圖像多標(biāo)簽分類
        2.2.1 圖像多標(biāo)簽分類傳統(tǒng)算法
        2.2.2 圖像多標(biāo)簽分類深度學(xué)習(xí)算法
    2.3 深度學(xué)習(xí)相關(guān)理論
        2.3.1 人工神經(jīng)網(wǎng)絡(luò)
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
第3章 數(shù)據(jù)集采集及預(yù)處理
    3.1 數(shù)據(jù)集介紹
        3.1.1 數(shù)據(jù)集采集預(yù)研
        3.1.2 單標(biāo)簽DPM數(shù)據(jù)集
        3.1.3 多標(biāo)簽MET數(shù)據(jù)集
    3.2 數(shù)據(jù)集采集流程
    3.3 圖像數(shù)據(jù)預(yù)處理
        3.3.1 圖像去噪
        3.3.2 圖像背景裁剪
    3.4 傳統(tǒng)圖像特征提取
        3.4.1 顏色特征
        3.4.2 形狀特征
        3.4.3 紋理特征
    3.5 本章小結(jié)
第4章 單標(biāo)簽文物圖像分類
    4.1 基于深度遷移學(xué)習(xí)單標(biāo)簽分類
        4.1.1 主流深度學(xué)習(xí)預(yù)訓(xùn)練模型
        4.1.2 實(shí)驗(yàn)結(jié)果
    4.2 基于多特征融合單標(biāo)簽分類
        4.2.1 傳統(tǒng)圖像特征
        4.2.2 上下文文本特征
        4.2.3 集成學(xué)習(xí)super learner算法
        4.2.4 基于點(diǎn)卷積和SL算法的多特征融合網(wǎng)絡(luò)
        4.2.5 實(shí)驗(yàn)結(jié)果
    4.3 本章小結(jié)
第5章 多標(biāo)簽文物圖像分類
    5.1 基于RNN迭代預(yù)測(cè)的多標(biāo)簽分類
        5.1.1 基于RNN迭代預(yù)測(cè)的多標(biāo)簽分類網(wǎng)絡(luò)
        5.1.2 實(shí)驗(yàn)結(jié)果
    5.2 基于迭代預(yù)測(cè)和代價(jià)敏感學(xué)習(xí)的多標(biāo)簽分類
        5.2.1 基于迭代預(yù)測(cè)和代價(jià)敏感學(xué)習(xí)多標(biāo)簽分類網(wǎng)絡(luò)
        5.2.2 實(shí)驗(yàn)結(jié)果
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 后續(xù)工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間主要的研究工作與成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]博物館藏品架起溝通的橋梁——來(lái)自故宮博物院文物普查的報(bào)告[J]. 單霽翔.  中國(guó)文物科學(xué)研究. 2014(03)

碩士論文
[1]基于多特征融合的文物圖像分類研究[D]. 杜楠.重慶大學(xué) 2017



本文編號(hào)：3190901