本文關(guān)鍵詞：細(xì)粒度物體分類算法研究與實(shí)現(xiàn)，，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來(lái),計(jì)算機(jī)視覺成為越來(lái)越熱門的研究領(lǐng)域,而圖像語(yǔ)義理解更是其中非常活躍的研究方向,從而實(shí)現(xiàn)對(duì)圖像數(shù)據(jù)的有效管理、組織和再利用。在計(jì)算機(jī)視覺領(lǐng)域中,對(duì)于圖像的認(rèn)知一般分為三個(gè)層次：第一層是以感知層為主的圖像內(nèi)容分析,主要是低層特征的提取和處理,比如紋理、顏色、時(shí)空關(guān)系等;第二層是以認(rèn)知層為主的圖像理解,主要是中層特征的提取和語(yǔ)義理解,包括圖像、場(chǎng)景、視頻的主要區(qū)域等；第三層是以情感層的圖像情感分析為主,該層主要是高層特征的分析,如人臉表情分類、圖像情感分類等。人類對(duì)于圖像的理解和表達(dá)更接近于認(rèn)知層的分析,因此對(duì)于物體的檢索與分類主要是利用圖像包含的主要場(chǎng)景和主要物體來(lái)進(jìn)行。這是計(jì)算機(jī)視覺領(lǐng)域較核心的問題,近年來(lái)引起了很多學(xué)者的關(guān)注和研究�，F(xiàn)今對(duì)于圖像的物體分類大多是針對(duì)粗粒度物體類別的分類,比如：汽車、房子、花叢等不同類別之間的分析,缺少的是相似類別之間的分析,無(wú)法做進(jìn)一步更精細(xì)的劃分和多層次分類。因此,如何更精細(xì)、準(zhǔn)確、高效地實(shí)現(xiàn)圖像的物體分類,具有著重要的理論意義和實(shí)用價(jià)值。本文以細(xì)粒度物體分類為出發(fā)點(diǎn),構(gòu)建了細(xì)粒度車型圖像數(shù)據(jù)庫(kù),并深入研究了兩種主流的物體分類方法,最后通過實(shí)驗(yàn)對(duì)分類方法進(jìn)行分析與驗(yàn)證。第一種方法是基于部件模型的細(xì)粒度物體分類方法。它首先通過弱標(biāo)記方法和隱支持向量機(jī)迭代判別算法對(duì)物體進(jìn)行模型訓(xùn)練,再通過圖像特征金字塔與部件濾波器的匹配來(lái)確定物體的部件區(qū)域及圖像的中層特征,最后將圖像的低層特征與中層特征融合起來(lái)從而得到新的圖像特征。第二種方法是基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度物體分類方法。該方法采用的是一個(gè)八層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。經(jīng)過對(duì)同層相鄰節(jié)點(diǎn)的響應(yīng)進(jìn)行局部歸一化、對(duì)卷積層進(jìn)行重疊池化、減少過擬合等方法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),使用非線性的線段調(diào)整函數(shù)作為輸出函數(shù),最后采用卷積神經(jīng)網(wǎng)絡(luò)的第六隱層特征圖作為圖像特征進(jìn)行實(shí)驗(yàn)研究。本文采用的兩類細(xì)粒度物體分類方法均有不錯(cuò)的效果,通過實(shí)驗(yàn)驗(yàn)證,尤其是基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度物體分類方法更取得了較好的分類效果。
【關(guān)鍵詞】：細(xì)粒度物體分類 部件模型 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：北京交通大學(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】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 研究背景及意義11-12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀12-15
• 1.3 論文主要研究工作15-16
• 1.4 論文組織結(jié)構(gòu)16-17
• 2 物體分類相關(guān)理論介紹17-32
• 2.1 物體分類常用技術(shù)綜述17-27
• 2.1.1 HOG特征18-19
• 2.1.2 SIFT特征19-25
• 2.1.3 LBP特征25-26
• 2.1.4 Gabor特征26-27
• 2.2 物體分類模型綜述27-30
• 2.2.1 基于詞包模型的物體分類27-28
• 2.2.2 基于深度學(xué)習(xí)的物體分類28-30
• 2.3 細(xì)粒度物體分類綜述30-31
• 2.4 本章小結(jié)31-32
• 3 基于部件模型的細(xì)粒度物體分類方法32-44
• 3.1 部件模型32-38
• 3.1.1 HOG特征金字塔32-34
• 3.1.2 濾波器34-35
• 3.1.3 部件模型35-36
• 3.1.4 隱支持向量機(jī)36-37
• 3.1.5 部件模型的訓(xùn)練37-38
• 3.2 基于部件模型的圖像特征38-43
• 3.2.1 部件區(qū)域選取與描述38-39
• 3.2.2 基于部件模型的圖像特征39-43
• 3.3 本章小結(jié)43-44
• 4 基于深度學(xué)習(xí)的細(xì)粒度物體分類方法44-58
• 4.1 卷積神經(jīng)網(wǎng)絡(luò)的基本原理44-46
• 4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度物體分類方法46-53
• 4.2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)46-48
• 4.2.2 神經(jīng)元模型48-50
• 4.2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練50-52
• 4.2.4 深度卷積激活特征52-53
• 4.3 實(shí)驗(yàn)分析與比較53-57
• 4.3.1 實(shí)驗(yàn)設(shè)置53-55
• 4.3.2 實(shí)驗(yàn)結(jié)果分析與比較55-57
• 4.4 本章小結(jié)57-58
• 5 總結(jié)與展望58-60
• 5.1 總結(jié)58
• 5.2 展望58-60
• 參考文獻(xiàn)60-64
• 作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果64-66
• 學(xué)位論文數(shù)據(jù)集66

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 孫偉;李艷靈;周文勇;;細(xì)粒度基于傳遞功能的約束委托模型[J];信陽(yáng)師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年03期

2 夏汛;陳玲;;基于攔截器的細(xì)粒度權(quán)限設(shè)計(jì)[J];福建電腦;2012年11期

3 歐陽(yáng)純萍;陽(yáng)小華;雷龍艷;徐強(qiáng);余穎;劉志明;;多策略中文微博細(xì)粒度情緒分析研究[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

4 史大偉;袁天偉;;一種粗細(xì)粒度結(jié)合的動(dòng)態(tài)污點(diǎn)分析方法[J];計(jì)算機(jī)工程;2014年03期

5 原子;于莉莉;劉超;;引入缺陷的細(xì)粒度軟件變更識(shí)別方法[J];北京航空航天大學(xué)學(xué)報(bào);2014年09期

6 戢彥泓,郭常杰,鐘玉琢,孫立峰;基于細(xì)粒度可擴(kuò)展編碼的多源視頻流化方案[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年04期

7 涂登彪;譚光明;孫凝暉;;無(wú)鎖同步的細(xì)粒度并行介度中心算法[J];軟件學(xué)報(bào);2011年05期

8 張宇軒;魏廷存;樊曉椏;張萌;;面向流體系的細(xì)粒度異步訪存調(diào)度[J];計(jì)算機(jī)應(yīng)用研究;2012年03期

9 王寬;;基于細(xì)粒度調(diào)整的同步播放控制算法[J];山西電子技術(shù);2008年05期

10 華秀麗;徐凡;王中卿;李培峰;;細(xì)粒度科技論文摘要句子分類方法[J];計(jì)算機(jī)工程;2012年14期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前5條

1 葉蘊(yùn)芳;楊榆;羅鑫;徐國(guó)愛;;Appfuse系統(tǒng)中細(xì)粒度權(quán)限控制的研究與實(shí)現(xiàn)[A];2007北京地區(qū)高校研究生學(xué)術(shù)交流會(huì)通信與信息技術(shù)會(huì)議論文集（上冊(cè)）[C];2008年

2 江偉玉;高能;劉澤藝;林雪燕;;一種云計(jì)算中的多重身份認(rèn)證與授權(quán)方案[A];第27次全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2012年

3 郭磊;唐玉華;周杰;董亞卓;;基于FPGA的Cholesky分解細(xì)粒度并行結(jié)構(gòu)與實(shí)現(xiàn)[A];2010年第16屆全國(guó)信息存儲(chǔ)技術(shù)大會(huì)（IST2010）論文集[C];2010年

4 李俊青;謝圣獻(xiàn);劉廣亮;陳晨;;P2P網(wǎng)絡(luò)基于蟻群優(yōu)化的動(dòng)態(tài)細(xì)粒度訪問控制框架[A];2008年全國(guó)開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(下冊(cè))[C];2008年

5 盛振華;吳羽;江錦華;壽黎但;陳剛;;InfoSigs:一種面向WEB對(duì)象的細(xì)粒度聚類算法[A];第26屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（A輯）[C];2009年

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前2條

1 趙曉濤;巡展中的三大熱門[N];網(wǎng)絡(luò)世界;2007年

2 樂天邋編譯;編織一張更好的Web[N];計(jì)算機(jī)世界;2007年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 時(shí)杰;關(guān)系數(shù)據(jù)庫(kù)細(xì)粒度訪問控制研究[D];華中科技大學(xué);2010年

2 朱倩;面向自由文本的細(xì)粒度關(guān)系抽取的關(guān)鍵技術(shù)研究[D];江蘇大學(xué);2011年

3 余a\;基于Simulink模型的細(xì)粒度多線程技術(shù)研究[D];浙江大學(xué);2014年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 趙黎光;基于依存句法的句子級(jí)細(xì)粒度情感計(jì)算[D];華南理工大學(xué);2015年

2 李星宇;一種細(xì)粒度Cloud-RAN框架與關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2014年

3 酈麗珍;基于Open vSwitch虛擬網(wǎng)絡(luò)的細(xì)粒度訪問控制[D];復(fù)旦大學(xué);2013年

4 姚亮;數(shù)據(jù)訪問控制中基于中間代理的用戶撤銷方法[D];西安電子科技大學(xué);2014年

5 占文平;面向產(chǎn)品評(píng)論的情感分析技術(shù)研究[D];浙江工商大學(xué);2015年

6 樓弘;基于深度神經(jīng)網(wǎng)絡(luò)的傳感器覆蓋細(xì)粒度優(yōu)化研究[D];浙江工業(yè)大學(xué);2015年

7 蔡雅雅;基于半監(jiān)督集成剪枝算法的細(xì)粒度城市空氣質(zhì)量估計(jì)[D];浙江大學(xué);2016年

8 何東梅;細(xì)粒度物體分類算法研究與實(shí)現(xiàn)[D];北京交通大學(xué);2016年

9 張s

本文編號(hào)：444451