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

【摘要】：近年來,計算機視覺成為越來越熱門的研究領(lǐng)域,而圖像語義理解更是其中非�；钴S的研究方向,從而實現(xiàn)對圖像數(shù)據(jù)的有效管理、組織和再利用。在計算機視覺領(lǐng)域中,對于圖像的認知一般分為三個層次：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、時空關(guān)系等;第二層是以認知層為主的圖像理解,主要是中層特征的提取和語義理解,包括圖像、場景、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。人類對于圖像的理解和表達更接近于認知層的分析,因此對于物體的檢索與分類主要是利用圖像包含的主要場景和主要物體來進行。這是計算機視覺領(lǐng)域較核心的問題,近年來引起了很多學(xué)者的關(guān)注和研究。現(xiàn)今對于圖像的物體分類大多是針對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,無法做進一步更精細的劃分和多層次分類。因此,如何更精細、準確、高效地實現(xiàn)圖像的物體分類,具有著重要的理論意義和實用價值。本文以細粒度物體分類為出發(fā)點,構(gòu)建了細粒度車型圖像數(shù)據(jù)庫,并深入研究了兩種主流的物體分類方法,最后通過實驗對分類方法進行分析與驗證。第一種方法是基于部件模型的細粒度物體分類方法。它首先通過弱標記方法和隱支持向量機迭代判別算法對物體進行模型訓(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)的細粒度物體分類方法。該方法采用的是一個八層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。經(jīng)過對同層相鄰節(jié)點的響應(yīng)進行局部歸一化、對卷積層進行重疊池化、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行實驗研究。本文采用的兩類細粒度物體分類方法均有不錯的效果,通過實驗驗證,尤其是基于卷積神經(jīng)網(wǎng)絡(luò)的細粒度物體分類方法更取得了較好的分類效果。
【關(guān)鍵詞】：細粒度物體分類 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)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：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 實驗分析與比較53-57
• 4.3.1 實驗設(shè)置53-55
• 4.3.2 實驗結(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60-64
• 作者簡歷及攻讀碩士學(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】

中國期刊全文數(shù)據(jù)庫 前10條

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

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

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

4 史大偉;袁天偉;;一種粗細粒度結(jié)合的動態(tài)污點分析方法[J];計算機工程;2014年03期

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

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

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

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

9 王寬;;基于細粒度調(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;;細粒度科技論文摘要句子分類方法[J];計算機工程;2012年14期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 葉蘊芳;楊榆;羅鑫;徐國愛;;Appfuse系統(tǒng)中細粒度權(quán)限控制的研究與實現(xiàn)[A];2007北京地區(qū)高校研究生學(xué)術(shù)交流會通信與信息技術(shù)會議論文集（上冊）[C];2008年

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

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

4 李俊青;謝圣獻;劉廣亮;陳晨;;P2P網(wǎng)絡(luò)基于蟻群優(yōu)化的動態(tài)細粒度訪問控制框架[A];2008年全國開放式分布與并行計算機學(xué)術(shù)會議論文集(下冊)[C];2008年

5 盛振華;吳羽;江錦華;壽黎但;陳剛;;InfoSigs:一種面向WEB對象的細粒度聚類算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（A輯）[C];2009年

中國重要報紙全文數(shù)據(jù)庫 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];計算機世界;2007年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 時杰;關(guān)系數(shù)據(jù)庫細粒度訪問控制研究[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模型的細粒度多線程技術(shù)研究[D];浙江大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 趙黎光;基于依存句法的句子級細粒度情感計算[D];華南理工大學(xué);2015年

2 李星宇;一種細粒度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粒度城市空氣質(zhì)量估計[D];浙江大學(xué);2016年

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

9 張s

本文編號：444451