本文關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)在手繪草圖識(shí)別中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著數(shù)字技術(shù)、人工智能和互聯(lián)網(wǎng)的不斷發(fā)展,我們的生活被繁多的圖像信息所包圍,而且圖像的分辨率變得越來越高,存儲(chǔ)圖像所需的容量越來越大,所需的存儲(chǔ)方法也變得越來越多樣化,這些都使得現(xiàn)如今的圖像數(shù)據(jù)庫不管是在信息量,還是在數(shù)量上都大的驚人。目前,圖像處理、圖像識(shí)別和圖像檢索等領(lǐng)域的主要挑戰(zhàn)在于要求更低的時(shí)間消耗、更高的準(zhǔn)確率和提取更通用的特征。手繪草圖是人類最直觀且最原始的溝通工具。近年來,隨著智能可觸屏設(shè)備的普及,手繪草圖可以輕松地從手機(jī)、平板電腦、手寫畫板上獲取,手繪草圖的相關(guān)研究吸引了越來越多國內(nèi)外專家學(xué)者的注意。目前已有的手繪草圖識(shí)別方法嚴(yán)重依賴于手工提取特征,如提取區(qū)域、輪廓等圖像的低層特性,但是由于手繪草圖中線條的多變性、個(gè)人的主觀因素以及不同人繪畫基礎(chǔ)的不確定性等原因,使得人工提取特征變得十分困難,同時(shí)手工提取費(fèi)時(shí)費(fèi)力且依靠運(yùn)氣,導(dǎo)致了現(xiàn)有的手繪草圖的識(shí)別率較低,且通用性較差。近年來,深度學(xué)習(xí)已成為人工智能領(lǐng)域中備受矚目的研究熱點(diǎn)。作為經(jīng)典的深度學(xué)習(xí)模型,卷積神經(jīng)網(wǎng)絡(luò)在語音識(shí)別、姿勢(shì)識(shí)別、圖像識(shí)別等領(lǐng)域都取得了巨大的成功。但是,經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型主要是為彩色多紋理自然圖像設(shè)計(jì),手繪草圖與之相比,缺少了顏色、紋理等信息。手繪草圖一般為二值圖像或者灰度圖像,具有高度的抽象性和夸張性,并且存在由于用戶繪制過程中的停頓和不連貫導(dǎo)致草圖輪廓不完整等問題,使得現(xiàn)有模型,如在ImageNet上訓(xùn)練得到的卷積神經(jīng)網(wǎng)絡(luò)模型AlexNet,在識(shí)別手繪草圖時(shí)效果并不理想。相較于基于低層的局部圖像描述子,卷積神經(jīng)網(wǎng)絡(luò)模型能在中間層表述上獲得更豐富的表達(dá),但是缺乏幾何不變性。而Fisher向量從數(shù)學(xué)的角度提出了生成概率模型與判別內(nèi)核方法相結(jié)合,具有較好的局部不變性,廣泛應(yīng)用于圖像分類、目標(biāo)識(shí)別等領(lǐng)域,特別是結(jié)合著BOW(Bag-of-Word,詞袋)模型。最近Schneider把Fisher向量應(yīng)用到了手繪草圖上,并取得較好的識(shí)別率,但是卻沒有根據(jù)手繪草圖的特性進(jìn)行設(shè)計(jì),即相對(duì)于彩色多紋理自然圖像,手繪草圖沒有平滑的漸變且更稀疏,并且沒有考慮到使用草圖的筆畫順序。本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)在手繪草圖識(shí)別中的應(yīng)用進(jìn)行了深入的研究,主要完成的工作和創(chuàng)新點(diǎn)如下：1.本章提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的手繪草圖識(shí)別方法,該方法根據(jù)手繪圖像多結(jié)構(gòu)少紋理信息的特點(diǎn),使用大尺寸的首層卷積核取代自然圖像識(shí)別中常使用的小尺寸首層卷積核。由于自然圖像的紋理較豐富,使用小卷積核能夠提取到細(xì)節(jié)的變化,而手繪草圖缺少這些紋理信息,當(dāng)使用小卷積核時(shí),會(huì)導(dǎo)致大部分提取到的特征為空,使得傳遞給第二層卷積核的信息較少,信息丟失過快,不能很好地獲得草圖的結(jié)構(gòu)信息。訓(xùn)練淺層模型作為深層模型對(duì)應(yīng)層的初始值,并加入不改變特征大小的卷積層,不僅加深網(wǎng)絡(luò)深度、減小模型誤差,而且減少訓(xùn)練時(shí)長,加快收斂。加入不改變特征大小的卷積層來加深網(wǎng)絡(luò)深度等方法以降低錯(cuò)誤率。2.本章提出了一種融合卷積神經(jīng)網(wǎng)絡(luò)和Fisher向量的手繪草圖識(shí)別方法,該方法根據(jù)Fisher向量判別力強(qiáng)的特點(diǎn),通過對(duì)圖片使用一個(gè)預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò),取第8卷積層的輸出特征使用Fisher向量,這樣可以豐富圖像特征的表達(dá),并降低分類器訓(xùn)練的復(fù)雜度。由于筆畫信息是用戶繪制時(shí)同步記錄的,能夠反應(yīng)用戶對(duì)事物的理解,一般按照先主要后細(xì)節(jié)的順序進(jìn)行繪制,因此添加筆畫信息,在區(qū)分兩個(gè)相似類的圖像時(shí),即使局部相似,但卻可能存在不一樣的筆畫順序,有助于圖像識(shí)別。使用圖像翻轉(zhuǎn)和切片用于數(shù)據(jù)擴(kuò)充,可以有效減少過擬合,增加幾何不變性。為了驗(yàn)證融合卷積神經(jīng)網(wǎng)絡(luò)和Fisher向量的識(shí)別方法的有效性,本章對(duì)Eits收集的250類手繪草圖進(jìn)行識(shí)別,得到了良好的識(shí)別率。
【關(guān)鍵詞】：手繪草圖識(shí)別 卷積神經(jīng)網(wǎng)絡(luò) Fisher向量 圖像識(shí)別
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要3-5
• Abstract5-9
• 第1章 緒論9-15
• 1.1 研究背景及意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-14
• 1.3 本文的主要內(nèi)容和結(jié)構(gòu)14
• 1.4 本章小結(jié)14-15
• 第2章 相關(guān)技術(shù)簡介15-28
• 2.1 圖像特征描述15-18
• 2.1.1 紋理特征15-16
• 2.1.2 輪廓特征16-17
• 2.1.3 SIFT特征17-18
• 2.2 卷積神經(jīng)網(wǎng)絡(luò)18-22
• 2.2.1 卷積神經(jīng)網(wǎng)絡(luò)模型19-20
• 2.2.2 機(jī)器學(xué)習(xí)訓(xùn)練方法20-22
• 2.3 Fisher向量22-27
• 2.3.1 Fisher核22-24
• 2.3.2 Fisher向量(FV)在圖像上的應(yīng)用24-25
• 2.3.3 Fisher向量歸一化25-27
• 2.4 本章小結(jié)27-28
• 第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的手繪草圖識(shí)別28-36
• 3.1 全模型28-30
• 3.2 實(shí)驗(yàn)設(shè)計(jì)30-33
• 3.2.1 數(shù)據(jù)集介紹30-31
• 3.2.2 參數(shù)設(shè)定與選擇31-33
• 3.3 實(shí)驗(yàn)結(jié)果與分析33-35
• 3.4 本章小結(jié)35-36
• 第4章 融合卷積神經(jīng)網(wǎng)絡(luò)和Fisher向量的手繪草圖識(shí)別36-45
• 4.1 全模型36-38
• 4.2 實(shí)驗(yàn)設(shè)計(jì)38-42
• 4.2.1 數(shù)據(jù)集處理38-40
• 4.2.2 實(shí)驗(yàn)步驟40-41
• 4.2.3 參數(shù)設(shè)定與選擇41-42
• 4.3 實(shí)驗(yàn)結(jié)果與分析42-44
• 4.4 本章小結(jié)44-45
• 第5章 結(jié)論與展望45-47
• 5.1 總結(jié)45-46
• 5.2 展望46-47
• 參考文獻(xiàn)47-53
• 附錄53-54
• Appendix54-55
• 致謝55-56
• 攻讀碩士學(xué)位期間發(fā)表的論文及獲獎(jiǎng)情況56

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 高學(xué);王有旺;;基于CNN和隨機(jī)彈性形變的相似手寫漢字識(shí)別[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

2 李海峰;李純果;;深度學(xué)習(xí)結(jié)構(gòu)和算法比較分析[J];河北大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 劉建軍;基于圖像局部不變特征的類屬超圖構(gòu)建與目標(biāo)識(shí)別技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 朱偉偉;基于手繪草圖的圖像檢索方法研究[D];安徽大學(xué);2014年

2 李萌;基于特征選擇的Fisher向量在圖像分類中的應(yīng)用[D];北京交通大學(xué);2014年

  本文關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)在手繪草圖識(shí)別中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：391356