自然圖像往往是包含著多種物體類(lèi)型的多標(biāo)簽圖像。對(duì)多標(biāo)簽圖像進(jìn)行準(zhǔn)確地分類(lèi),既是計(jì)算機(jī)進(jìn)行高級(jí)視覺(jué)理解的基礎(chǔ)之一,也在實(shí)際生活中有著廣泛的應(yīng)用。由于多標(biāo)簽圖像中包含了多種類(lèi)型的物體,且往往具有復(fù)雜的背景信息,實(shí)現(xiàn)其準(zhǔn)確分類(lèi)具有較大的挑戰(zhàn),強(qiáng)監(jiān)督學(xué)習(xí)是一種較好的解決方案。然而,強(qiáng)監(jiān)督學(xué)習(xí)模型需要代價(jià)昂貴的目標(biāo)級(jí)或者像素級(jí)標(biāo)簽作為監(jiān)督信息。為了降低強(qiáng)監(jiān)督學(xué)習(xí)的成本,本文對(duì)弱監(jiān)督學(xué)習(xí)條件下的多標(biāo)簽圖像分類(lèi)算法進(jìn)行了研究。一方面,本文改進(jìn)了當(dāng)前主流的圖像分類(lèi)網(wǎng)絡(luò)框架。在當(dāng)前主流的圖像分類(lèi)網(wǎng)絡(luò)框架下,不同類(lèi)型的物體之間存在著嚴(yán)重的特征競(jìng)爭(zhēng)現(xiàn)象。這種特征競(jìng)爭(zhēng)使得各類(lèi)別在分類(lèi)過(guò)程中所能獲得的特征信息量嚴(yán)重受到其樣本數(shù)量的影響。為此,本文提出了多路網(wǎng)絡(luò)框架,以降低這種類(lèi)型間的特征競(jìng)爭(zhēng)帶來(lái)的負(fù)面影響。本文的實(shí)驗(yàn)證明該框架能夠很好地緩解特征競(jìng)爭(zhēng)現(xiàn)象,提升多標(biāo)簽圖像分類(lèi)算法的性能。此外,該網(wǎng)絡(luò)框架還具有很好的靈活性,可以依據(jù)不同的任務(wù),設(shè)計(jì)相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)。另一方面,受到人類(lèi)視覺(jué)注意機(jī)制的啟發(fā),本文設(shè)計(jì)了基于注意機(jī)制的多標(biāo)簽圖像分類(lèi)模型。首先,本文在多標(biāo)簽圖像分類(lèi)網(wǎng)絡(luò)中引入空間注意機(jī)制,促使網(wǎng)絡(luò)能夠更好地學(xué)習(xí)物... 

【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)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

多路卷積神經(jīng)網(wǎng)絡(luò)框架

每一列都進(jìn)行歸一化處理，以更好地進(jìn)行可視化�？梢暬Y(jié)果如圖 3.4 所示，紅色表示高權(quán)重，而藍(lán)色表示低權(quán)重。圖3.4 原始 ResNet-50 中的全連接層權(quán)重從圖 3.4 中我們可以看出原始 ResNet 在學(xué)習(xí)的過(guò)程中，全局平均池化輸出的特征傾向于分配給某一特定類(lèi)型的輸出，而沒(méi)有很好地實(shí)現(xiàn)特征的復(fù)用。接下來(lái)，我們進(jìn)一步分析 ResNet 所學(xué)習(xí)到的全連接權(quán)重與各類(lèi)別的樣本數(shù)量的關(guān)系。由于經(jīng)過(guò)卷積網(wǎng)絡(luò)以及全局平均池化后獲取的特征通過(guò)全連接層直接與各類(lèi)別的預(yù)測(cè)結(jié)果相連接，通過(guò)分析全連接層學(xué)習(xí)得到的權(quán)重，即可獲取各特征對(duì)最終各類(lèi)別目標(biāo)分類(lèi)結(jié)果的影響。我們通過(guò)兩種方式衡量各個(gè)特征對(duì)某一類(lèi)別的影響程度，也


本文編號(hào)：3348931