圖像精細分類是計算機視覺領域中最重要研究方向之一。近年來隨著深度學習技術的發(fā)展,圖像精細分類的效果有了顯著提升。但是搭建這些分類模型仍需要大量的人力對圖像數(shù)據(jù)進行類別標注。因此如何使用少量樣本或更容易獲取的數(shù)據(jù)替代人工標注的數(shù)據(jù)是研究者們探討的重點。同時,通過互聯(lián)網(wǎng)平臺可以較為輕松地獲取大量的弱標簽數(shù)據(jù),但是由于弱標簽數(shù)據(jù)的真實標簽難以確認而難以得到有效利用。針對此情況,本文從以下幾個方面進行探討,提出了一些利用弱標簽數(shù)據(jù)生成有標簽數(shù)據(jù)并優(yōu)化圖像精細分類模型的方法。1.針對從互聯(lián)網(wǎng)獲取的圖像數(shù)據(jù)類別標簽或圖像內(nèi)容不準確的問題,本文提出了一種基于混淆概率評估的弱標簽數(shù)據(jù)標注方法。利用網(wǎng)絡爬蟲技術在各個搜索引擎上獲取大量帶有文本信息的圖像數(shù)據(jù)后,通過預測分類模型對不同類別樣本的混淆概率,判斷出大量分類模型難以識別的標簽正確的樣本。相比直接判斷樣本標簽的方法,本文方法有效降低了數(shù)據(jù)資源的浪費和數(shù)據(jù)的采集成本。2.以往訓練圖像分類模型需要事先獲取所有圖像數(shù)據(jù)的類別標簽。這樣的訓練模式使數(shù)據(jù)搜集和模型優(yōu)化不能同時進行。針對此問題,本文提出一種支持在線學習的分類模型訓練方法,只需使用少量有標簽的數(shù)... 

【文章來源】：浙江工業(yè)大學浙江省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

傳統(tǒng)圖像識別，從左往右為（a）花、（b）鳥、（c）貓、（d）蝴蝶

浙江工業(yè)大學碩士學位論文要耗費大量的人力和時間，是數(shù)據(jù)采集過程中最困難的環(huán)節(jié)之是當下最廉價的數(shù)據(jù)來源之一，人們通過關鍵詞檢索可以輕松量數(shù)據(jù)。由于網(wǎng)絡資源和搜索引擎自身的限制，通過關鍵詞檢中往往會出現(xiàn)圖像內(nèi)容與管檢測不匹配的情況。但這仍然是獲便捷的方式。如果只用少量的有標簽樣本訓練，分類模型往往化能力。通常的機器學習方法很難有效利用那些廉價的弱建模型的成本高，而且對數(shù)據(jù)資源造成了極大的浪費。因此，，利用弱標簽數(shù)據(jù)改善分類模型的性能是目前計算機視覺研究。

紹關于深度卷積神經(jīng)網(wǎng)絡的基礎知識，節(jié)中詳細介紹。稱神經(jīng)網(wǎng)絡，是機器學習領域的一個分從而完成對特定任務的數(shù)據(jù)學習規(guī)律的腦的神經(jīng)系統(tǒng)，所以神經(jīng)網(wǎng)絡通過大量算是基于統(tǒng)計學方法來實現(xiàn)的，因此神用來解決包括如自然語言處理、計算機組成是神經(jīng)元。1943 年由美國心理學家 McCulloch 和數(shù)學型（McCulloch-Pitts）。M-P 模型的結(jié)構(gòu)種簡單的邏輯器件來實現(xiàn)算法的簡單模從而才有了后來的神經(jīng)網(wǎng)絡算法。

【參考文獻】：
期刊論文
[1]一種改進的深度卷積神經(jīng)網(wǎng)絡的精細圖像分類[J]. 楊國亮,王志元,張雨.  江西師范大學學報(自然科學版). 2017(05)
[2]基于卷積神經(jīng)網(wǎng)絡的商品圖像精細分類[J]. 賈世杰,楊東坡,劉金環(huán).  山東科技大學學報(自然科學版). 2014(06)
[3]一種適合弱標簽數(shù)據(jù)集的圖像語義標注方法[J]. 田楓,沈旭昆.  軟件學報. 2013(10)



本文編號：3350597