本文關鍵詞：基于HOG的目標分類特征深度學習模型

  更多相關文章： 計算機視覺 目標分類 方向梯度直方圖特征 棧式自編碼器 深度學習

【摘要】：為提高低配置計算環(huán)境中的視覺目標實時在線分類特征提取的時效性和分類準確率,提出一種新的目標分類特征深度學習模型。根據高時效性要求,選用分類器模型離線深度學習的策略,以節(jié)約在線訓練時間。針對網絡深度受限和高識別率要求,提取圖像的局部方向梯度直方圖(HOG)特征,構建稀疏自編碼器棧對HOG特征進行深層次編碼,設計Softmax多分類器對所抽取的特征進行分類。在深度神經網絡模型學習過程中,引入最小化各層結構風險和微調全網參數的二階段最優(yōu)化策略。利用場景圖像庫Caltech101和手寫數字庫MNIST的訓練樣本與測試樣本進行對比實驗,結果表明,該模型在局部特征提取方面的時效優(yōu)于單層卷積神經網絡(CNN)模型,分類準確率高于CNN、棧式自編碼器等對比模型。
【作者單位】： 重慶工商大學電子商務及供應鏈系統重慶市重點實驗室;重慶工商大學重慶市檢測控制集成系統工程實驗室;重慶工商大學計算機科學與信息工程學院;重慶工商大學圖書館;
【基金】：重慶市教委科學技術研究計劃項目(KJ1400612)
【分類號】：TP391.41
【正文快照】： 0概述務的模型參數,但這樣學習容易忽視訓練樣本中出計算機視覺中的目標在線實時跟蹤與分類,需要現頻次較低、而對預測任務又產生重要影響的數據快捷準確提取目標的特征。層次特征的深度學習[1-3]特征,從而降低了模型的泛化能力。是人們近年來研究的熱點,它可以彌補單一的人工

【相似文獻】

中國期刊全文數據庫 前10條

1 王強光;伍鐵軍;;智能監(jiān)控系統中的運動目標分類方法研究[J];工業(yè)控制計算機;2011年01期

2 劉佶鑫;孫權森;曹國;;壓縮感知稀疏識別用于多視角圖像目標分類[J];應用科學學報;2013年02期

3 李占闖;肖國強;代毅;邱開金;;基于SVM輸出概率和后置濾波的運動目標分類[J];計算機應用研究;2010年02期

4 王曉靜;原達;李道凱;;基于Krawtchouk矩的運動目標分類[J];計算機工程與設計;2012年05期

5 李志華;李秋巒;;連續(xù)跟蹤狀態(tài)下基于可分性特征的目標優(yōu)化分類[J];計算機應用;2014年05期

6 陳海林;吳秀清;胡俊華;;基于局部特征空間相關核的圖像目標分類[J];光電工程;2009年03期

7 王怡;王夏黎;周明全;李丙春;;一種基于近似支撐矢量機(PSVM)的交通目標分類方法[J];計算機應用與軟件;2005年12期

8 朱道廣;李弼程;;一種基于隨機化視覺詞匯和聚類集成目標分類[J];太赫茲科學與電子信息學報;2014年02期

9 王燕玲;李廣倫;林曉;;基于跟蹤特征的多運動目標分類算法[J];中國體視學與圖像分析;2014年02期

10 桑農，魏智，，陳銘節(jié)，彭嘉雄;一種基于線性最小平方映射的目標分類算法[J];數據采集與處理;1996年01期

中國重要會議論文全文數據庫 前1條

1 王曉靜;原達;李道凱;;應用Krawtchouk矩和SVM的運動目標分類技術[A];第五屆全國幾何設計與計算學術會議論文集[C];2011年

中國博士學位論文全文數據庫 前1條

1 梁鵬;基于內容的目標分類識別關鍵技術研究[D];華南理工大學;2011年

中國碩士學位論文全文數據庫 前10條

1 都期望;基于MPEG-7標準的海上移動目標分類方法研究[D];大連海事大學;2016年

2 胡碧瑩;基于稀疏表示的圖像目標分類方法研究[D];北京交通大學;2016年

3 田彬;視頻監(jiān)控中運動目標分類方法研究[D];山東輕工業(yè)學院;2010年

4 包日快;視頻中多運動目標分類的研究[D];浙江工業(yè)大學;2011年

5 屈璐;基于特征模型相似性的運動目標分類[D];吉林大學;2011年

6 馮柯;交通視頻中視點無關目標分類與檢索方法研究[D];杭州電子科技大學;2009年

7 劉麗麗;基于形狀特征的運動目標分類方法研究[D];湖南大學;2006年

8 陳大海;智能視頻監(jiān)控系統中目標分類技術研究與應用[D];廣西大學;2011年

9 郭倩;基于視覺詞包模型的大規(guī)模目標分類和檢索[D];河南大學;2015年

10 董剛;視覺監(jiān)控中的運動目標分類方法[D];吉林大學;2008年

本文編號：1158873