發(fā)布時(shí)間：2021-04-06 18:28

　　圖像分類(lèi)在機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)和模式識(shí)別等領(lǐng)域占據(jù)重要地位,圖像分類(lèi)模型一般由圖像特征抽取、特征變換和增強(qiáng)、分類(lèi)器訓(xùn)練等步驟組成。為了得到有效的特征表示,早期特征抽取主要采用手工設(shè)計(jì)方式,常常依賴于特征設(shè)計(jì)者的領(lǐng)域知識(shí)。隨著深度學(xué)習(xí)技術(shù)發(fā)展,更多圖像分類(lèi)模型利用深度網(wǎng)絡(luò)進(jìn)行特征抽取。深度網(wǎng)絡(luò)特征既可以通過(guò)端到端訓(xùn)練的方式獲得,也可以利用大規(guī)模圖像庫(kù)上訓(xùn)練好的深度網(wǎng)絡(luò)在圖像上直接抽取。前者需要大量訓(xùn)練圖像來(lái)擬合網(wǎng)絡(luò)參數(shù),計(jì)算代價(jià)高;后者由于缺乏監(jiān)督信息的導(dǎo)引,其判別性仍需加強(qiáng)。作為一種有效的特征變換和增強(qiáng)技術(shù),特征編碼在圖像分類(lèi)中得到快速發(fā)展,但在實(shí)際應(yīng)用中仍面臨不少挑戰(zhàn),如圖像類(lèi)別多但帶標(biāo)簽訓(xùn)練樣本少、同類(lèi)圖像變化大而非同類(lèi)圖像區(qū)分度低、待識(shí)別類(lèi)沒(méi)有訓(xùn)練樣本、圖像不同層級(jí)特征間編碼效率低、特征編碼算法運(yùn)行穩(wěn)定性差等。為應(yīng)對(duì)以上挑戰(zhàn),本文利用多種手工與深度網(wǎng)絡(luò)特征表示形式,開(kāi)展了基于特征編碼的圖像分類(lèi)技術(shù)研究,主要工作和創(chuàng)新點(diǎn)有:1、提出一種基于多層字典學(xué)習(xí)與特征編碼的圖像分類(lèi)模型,將原圖像整體級(jí)手工或深度網(wǎng)絡(luò)特征轉(zhuǎn)換成深層編碼特征。與基于單層字典學(xué)習(xí)的特征編碼方法相比,所提模型能夠減少... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：138 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景闡述
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 立題意義與主要工作
    1.4 全文章節(jié)安排
第二章 圖像分類(lèi)中的特征表示與編碼
    2.1 引言
    2.2 特征表示形式
        2.2.1 手工特征表示
        2.2.2 深度網(wǎng)絡(luò)特征
        2.2.3 語(yǔ)義描述特征
    2.3 特征編碼方式
        2.3.1 整合特征抽取的特征編碼
        2.3.2 融入分類(lèi)器設(shè)計(jì)的特征編碼
    2.4 本章小結(jié)
第三章 基于多層字典學(xué)習(xí)與特征編碼的圖像分類(lèi)模型
    3.1 引言
        3.1.1 相關(guān)工作
        3.1.2 研究動(dòng)機(jī)與創(chuàng)新
    3.2 多層字典學(xué)習(xí)與特征編碼模型
        3.2.1 多層字典學(xué)習(xí)與特征編碼
        3.2.2 多層局部結(jié)構(gòu)信息約束
    3.3 模型優(yōu)化算法與分析
        3.3.1 模型優(yōu)化算法
        3.3.2 復(fù)雜性和收斂性分析
    3.4 實(shí)驗(yàn)與討論
        3.4.1 人臉識(shí)別實(shí)驗(yàn)
        3.4.2 物體圖像分類(lèi)實(shí)驗(yàn)
        3.4.3 場(chǎng)景圖像分類(lèi)實(shí)驗(yàn)
        3.4.4 花卉圖像分類(lèi)實(shí)驗(yàn)
        3.4.5 圖正則化項(xiàng)分析
    3.5 本章小結(jié)
第四章 用于圖像分類(lèi)的類(lèi)稀疏分布編碼特征生成方法
    4.1 引言
        4.1.1 相關(guān)工作
        4.1.2 研究動(dòng)機(jī)與創(chuàng)新
    4.2 編碼特征生成方法目標(biāo)函數(shù)
        4.2.1 目標(biāo)函數(shù)約束項(xiàng)及意義
        4.2.2 整體目標(biāo)函數(shù)
    4.3 目標(biāo)函數(shù)優(yōu)化算法與分析
        4.3.1 訓(xùn)練階段優(yōu)化算法
        4.3.2 測(cè)試階段分類(lèi)準(zhǔn)則
    4.4 實(shí)驗(yàn)與討論
        4.4.1 人臉識(shí)別實(shí)驗(yàn)
        4.4.2 物體圖像分類(lèi)實(shí)驗(yàn)
        4.4.3 場(chǎng)景圖像分類(lèi)實(shí)驗(yàn)
        4.4.4 動(dòng)作識(shí)別實(shí)驗(yàn)
        4.4.5 實(shí)驗(yàn)總結(jié)
    4.5 本章小結(jié)
第五章 基于堆疊語(yǔ)義自編碼器的零樣本圖像分類(lèi)
    5.1 引言
        5.1.1 相關(guān)工作
        5.1.2 研究動(dòng)機(jī)與創(chuàng)新
    5.2 基于堆疊語(yǔ)義自編碼器的歸納式零樣本分類(lèi)
        5.2.1 堆疊語(yǔ)義自編碼器
        5.2.2 訓(xùn)練階段與測(cè)試進(jìn)程
        5.2.3 實(shí)驗(yàn)與討論
    5.3 域感知堆疊語(yǔ)義自編碼器用于直推式零樣本分類(lèi)
        5.3.1 域感知堆疊語(yǔ)義自編碼器
        5.3.2 優(yōu)化算法與收斂性分析
        5.3.3 實(shí)驗(yàn)與討論
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 研究總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積特征的細(xì)粒度圖像分類(lèi)研究綜述[J]. 羅建豪,吳建鑫.  自動(dòng)化學(xué)報(bào). 2017(08)
[2]圖像物體分類(lèi)與檢測(cè)算法綜述[J]. 黃凱奇,任偉強(qiáng),譚鐵牛.  計(jì)算機(jī)學(xué)報(bào). 2014(06)
[3]壓縮感知理論及其研究進(jìn)展[J]. 石光明,劉丹華,高大化,劉哲,林杰,王良君.  電子學(xué)報(bào). 2009(05)

博士論文
[1]深度學(xué)習(xí)下標(biāo)記受限的視覺(jué)識(shí)別研究[D]. 高斌斌.南京大學(xué) 2018
[2]基于稀疏表示和深度學(xué)習(xí)的圖像識(shí)別算法及應(yīng)用研究[D]. 王斌.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[3]基于特征編碼與深度學(xué)習(xí)的圖像識(shí)別算法[D]. 陳博恒.華南理工大學(xué) 2018
[4]圖像處理和識(shí)別中的結(jié)構(gòu)化稀疏編碼關(guān)鍵技術(shù)研究[D]. 黃艷.華南理工大學(xué) 2018



本文編號(hào)：3121910