隨著現(xiàn)代社會(huì)經(jīng)濟(jì)與科技的發(fā)展,日常生活與工作中產(chǎn)生了越來越多的信息,而其中圖像占據(jù)很大比例,如何有效的處理、分析和理解圖像顯得至關(guān)重要。圖像識(shí)別作為計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一,具有十分重要的理論意義與實(shí)際應(yīng)用價(jià)值。傳統(tǒng)的圖像識(shí)別方法需要經(jīng)驗(yàn)豐富的研究者人工選取圖像特征,然后通過統(tǒng)計(jì)學(xué)分類器進(jìn)行分類,往往識(shí)別準(zhǔn)確率不高。在當(dāng)前各種技術(shù)飛速發(fā)展的時(shí)代,傳統(tǒng)方法的識(shí)別準(zhǔn)確率和識(shí)別速率已經(jīng)無(wú)法滿足實(shí)際應(yīng)用需求。而以卷積神經(jīng)網(wǎng)絡(luò)為代表的各種深度學(xué)習(xí)模型,通過多層次的卷積層和池化層模擬人類大腦自動(dòng)學(xué)習(xí)圖像樣本的特征,得到識(shí)別準(zhǔn)確率遠(yuǎn)超傳統(tǒng)方法的分類器。生成對(duì)抗網(wǎng)絡(luò)是近年來熱門的生成式模型,本文進(jìn)行基于生成對(duì)抗網(wǎng)絡(luò)的圖像識(shí)別方法研究。針對(duì)如何有效提升識(shí)別準(zhǔn)確率的問題,本文從改善訓(xùn)練樣本集方向入手,提出圖像識(shí)別深度生成對(duì)抗網(wǎng)絡(luò)模型。利用生成樣本擴(kuò)充訓(xùn)練樣本集的數(shù)量和多樣性,從而使判別器網(wǎng)絡(luò)在訓(xùn)練中學(xué)習(xí)更多圖像樣本特征,從而提升分類器識(shí)別準(zhǔn)確率。在MNIST數(shù)據(jù)集和CIFAR-10數(shù)據(jù)集以及CLP數(shù)據(jù)集上進(jìn)行圖像識(shí)別實(shí)驗(yàn),得到結(jié)果后與其他方法進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果證明本文方法能夠有效提升識(shí)別準(zhǔn)確率。針對(duì)有... 

【文章來源】：長(zhǎng)沙理工大學(xué)湖南省

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１人工神經(jīng)元模型??１９５８年Ｒｏｓｅｎｂｌａｔｔｓ＾首次使用人工神經(jīng)元模型對(duì)輸入的數(shù)據(jù)進(jìn)行分類操作，并使用??

零和博弈，兩者在訓(xùn)練過程中需要不斷地優(yōu)化自身以達(dá)到預(yù)定的目的，生成器的??目的在于調(diào)整自身的網(wǎng)絡(luò)參數(shù)，使生成的樣本擬合真實(shí)數(shù)據(jù)分布，在輸入判別器后使判??別器作出誤判，而判別器則不斷調(diào)整網(wǎng)絡(luò)參數(shù)，正確判別輸入的樣本是真實(shí)數(shù)據(jù)還是生??成器產(chǎn)生的生成樣本，多輪博弈對(duì)抗后二者最終達(dá)到納什均衡，此時(shí)生成器產(chǎn)生的圖像??樣本擬合真實(shí)數(shù)據(jù)分布。??真實(shí)致?lián)?ｐ＿???１?！?１??－ｉ判別器ｄ?｜—判別結(jié)果一？??Ｌ??ｔ???Ｉ?１?ｆ?：??醜噪聲ｚｈ生纖??圖２．１生成對(duì)抗網(wǎng)絡(luò)原理圖??生成對(duì)抗網(wǎng)絡(luò)的原理圖如圖２．１所示。在生成器和判別器的博弈對(duì)抗中，生成器根??據(jù)隨機(jī)噪聲ｚ生成擬合真實(shí)數(shù)據(jù)Ｐｄａｌａ的生成樣本Ｇ（ｚ），Ｇ（ｚ）和真實(shí)數(shù)據(jù)ｘ?—起輸入判別??器，判別器輸出判別結(jié)果Ｄ（ｘ）和Ｄ（Ｇ（ｚ）），即對(duì)應(yīng)樣本為“真實(shí)數(shù)據(jù)”的概率，生成樣本??的期望判別結(jié)果應(yīng)為０而真實(shí)數(shù)據(jù)樣本的期望判別結(jié)果應(yīng)為１。判別器得到判別結(jié)果后??最小化實(shí)際輸出和期望輸出的交叉熵，而生成器通過判別器反饋調(diào)整自身參數(shù)最大化生??成樣本判別為“真實(shí)數(shù)據(jù)”的概率Ｄ（Ｇ（ｚ）），此時(shí)生成器與判別器完成了一輪參數(shù)調(diào)整。??但實(shí)際訓(xùn)練時(shí)，為了使生成器和判別器維持同水平博弈對(duì)抗，避免判別器過快達(dá)到最優(yōu)??６??

ｅｐ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｇｅｎｅｒａｔｉｖｅ?Ａｄｖｅｒｓａｒｉａｌ?Ｎｅｔｗｏｒｋｓ，ＩＲ－ＤＣＧＡＮ）模型，ＩＲ－ＤＣＧＡＮ?模型??采用深度卷積網(wǎng)絡(luò)組成生成器與判別器，生成器學(xué)習(xí)原有樣本特征生成樣本，判別器判??斷輸入的樣本為真實(shí)樣本還是生成樣本，訓(xùn)練過程中判別器和生成器博弈對(duì)抗，在提升??生成樣本質(zhì)量的同時(shí)也在訓(xùn)練中提升判別器性能。??訓(xùn)練過程中，除了原訓(xùn)練樣本集中的圖像樣本外，生成器產(chǎn)生的樣本也輸入判別器，??使其學(xué)習(xí)更多特征，生成樣本幫助判別器學(xué)習(xí)圖像特征的過程如圖３．１所示。??廣?Ｎ，?、??＃?？?Ａ?ＡＡ?？?？?Ｉ?？?▲▲??？？？?？?？?＾一？▲?？?？??、ｓ＾一?一一?Ａ?Ａ??〇Ｄ〇Ｃ?＾厶〇〇〇〇八么??°?〇?〇?°?〇〇〇〇ＡＡ??＼??ｙ??擴(kuò)充訓(xùn)練樣本集前?擴(kuò)充訓(xùn)練樣本集后??圖３．１生成樣本擴(kuò)充訓(xùn)練樣本集??如圖３．１所示，圖中的黑白點(diǎn)代表原有樣本中屬于不同分類的有標(biāo)簽樣本，而三角??９??


本文編號(hào)：3009894