圖像分類任務(wù)一直是計(jì)算機(jī)視覺領(lǐng)域研究的熱點(diǎn)。面對浩如煙海的圖像分類數(shù)據(jù),傳統(tǒng)的特征處理方法已顯得捉襟見肘,而隨著計(jì)算機(jī)計(jì)算性能的提高,現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)解決了大部分的圖像分類問題,但仍面臨網(wǎng)絡(luò)構(gòu)建難度大、分類精度不高、計(jì)算消耗大等問題,以至于網(wǎng)絡(luò)模型無法得到進(jìn)一步地推廣應(yīng)用。針對上述問題,本文從特征融合和權(quán)重共享的角度提出了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型,分別如下:第一,針對現(xiàn)有的卷積網(wǎng)絡(luò)僅僅依靠原圖像的學(xué)習(xí)特征預(yù)測待測圖像的類別,忽略人工設(shè)計(jì)特征對分類結(jié)果的影響,提出了一種新的融合顯著性特征和深度學(xué)習(xí)的圖像分類算法,該算法首先利用顯著性特征和原始圖像的BGR特征進(jìn)行級聯(lián)融合,然后卷積網(wǎng)絡(luò)對融合后的多特征圖進(jìn)行自動(dòng)特征學(xué)習(xí),以提取圖像的多樣特征,最后利用Softmax分類器對圖像進(jìn)行分類,數(shù)值實(shí)驗(yàn)結(jié)果表明,所提模型是一種魯棒性強(qiáng)、分類效果好的新型圖像分類方法。第二,針對現(xiàn)有的大多數(shù)卷積網(wǎng)絡(luò)利用網(wǎng)絡(luò)深度而造成的巨大參數(shù)量和對輸入圖像的尺度特征缺乏魯棒性問題,提出了權(quán)重共享耦合卷積神經(jīng)網(wǎng)絡(luò)。首先,訓(xùn)練集上的圖像和經(jīng)縮放處理后的圖像同時(shí)輸入權(quán)重共享的耦合網(wǎng)絡(luò),以提取多尺度輸入特征;然后,在層級網(wǎng)絡(luò)內(nèi)... 

【文章來源】：遼寧工程技術(shù)大學(xué)遼寧省

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

人體神經(jīng)元工作示意圖

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文82基礎(chǔ)理論知識(shí)2.1人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，ANNs）是仿造生物科學(xué)中神經(jīng)網(wǎng)絡(luò)信息傳遞方式，利用網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)高度抽象大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，模擬大腦受到外界刺激后的響應(yīng)機(jī)制而建立的一個(gè)由許多非線性神經(jīng)元組成的分層系統(tǒng)模型。ANNs對輸入信息存儲(chǔ)，并使用一定的方式進(jìn)行加工，最終學(xué)習(xí)到有效的特征，輸出有用的信息。2.1.1神經(jīng)元大腦神經(jīng)網(wǎng)絡(luò)由大量腦神經(jīng)元互相連接而成，以完成大腦的各種功能，而腦神經(jīng)元與細(xì)胞之間通過突觸傳遞信息[54]，其具體工作原理可視為一個(gè)黑箱，如圖2.1所示，信息輸入黑箱，經(jīng)過一定的操作，輸出結(jié)果。圖2.1人體神經(jīng)元工作示意圖Figure2.1Schematicdiagramofhumanneuronwork根據(jù)人體腦神經(jīng)結(jié)構(gòu)可知，ANNs也有基本的人工神經(jīng)元，一個(gè)人工神經(jīng)元可以與多個(gè)其他人工神經(jīng)元通過權(quán)重進(jìn)行相連，將總輸入與閾值進(jìn)行比較，然后利用激活函數(shù)進(jìn)行輸出處理[55]，該過程可抽象為如圖2.2所示的拓?fù)浣Y(jié)構(gòu)。圖2.2多輸入神經(jīng)元模型Figure2.2Neuronmodelofmultipleinput該模型主要由兩部分構(gòu)成，第一部分進(jìn)行信號累加，即

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文10,0()0,=其他（2-6）顯然，其為分段函數(shù)，它在閾值0以下的輸出都被截?cái)酁?且導(dǎo)數(shù)恒為0，在閾值0以上的輸出則線性不變且導(dǎo)數(shù)恒為1，故不存在易飽和性缺點(diǎn)，但當(dāng)0時(shí)，其導(dǎo)數(shù)為0，則使得神經(jīng)元輸出滿足此條件便不再更新[57]。Krizhevsky等人早已證明ReLU的收斂速度比tanh快6倍[3]。2.1.3多層感知機(jī)多層感知機(jī)（Multi-LayerPerceptron，MLP）是一種簡單的神經(jīng)網(wǎng)絡(luò)。如圖2.3所示，一般可劃分為輸入層、隱藏層和輸出層等三部分，輸入層是將圖像數(shù)據(jù)信息進(jìn)行變換后輸入網(wǎng)絡(luò)中；隱藏層則提取輸入圖像的特征，實(shí)現(xiàn)高維非線性映射；輸出層利用分類器對提取的特征進(jìn)行分類處理[57]。研究證明：當(dāng)隱藏層神經(jīng)元足夠多時(shí)，全連接神經(jīng)網(wǎng)絡(luò)能夠以任意精度擬合某一連續(xù)函數(shù)[58]。但是，當(dāng)網(wǎng)絡(luò)深度加深時(shí)，網(wǎng)絡(luò)也面臨著參數(shù)量巨大、計(jì)算量大和訓(xùn)練困難等問題。圖2.3多層感知機(jī)示意圖Figure2.3SchematicdiagramofMulti-LayerPerceptron2.2卷積神經(jīng)網(wǎng)絡(luò)2.2.1卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)通常，卷積神經(jīng)網(wǎng)絡(luò)由若干個(gè)卷積層、非線性操作層、歸一化層、池化層和分類器組成的單一尺度結(jié)構(gòu)。如圖2.4所示，將卷積層、非線性操作層、歸一化層和池化層統(tǒng)稱為特征提取塊，一般情況，卷積神經(jīng)網(wǎng)絡(luò)由1~3個(gè)特征提取塊堆疊而成。

【參考文獻(xiàn)】：
期刊論文
[1]基于特征融合的室外天氣圖像分類[J]. 郭志強(qiáng),胡永武,劉鵬,楊杰.  計(jì)算機(jī)應(yīng)用. 2020(04)
[2]基于遷移學(xué)習(xí)及特征融合的輪胎花紋圖像分類[J]. 劉穎,張帥,范九倫.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(05)
[3]自底向上的顯著性目標(biāo)檢測研究綜述[J]. 吳加瑩,楊賽,堵俊,林宏達(dá).  計(jì)算機(jī)科學(xué). 2019(03)
[4]基于遷移學(xué)習(xí)和特征融合的航空器圖像分類算法[J]. 陳兵,查宇飛,張勝杰,李運(yùn)強(qiáng),張園強(qiáng).  火力與指揮控制. 2018(07)
[5]多特征融合的花卉圖像深度學(xué)習(xí)分類算法[J]. 林思思,葉東毅,陳昭炯.  小型微型計(jì)算機(jī)系統(tǒng). 2018(07)
[6]CNN與人工特征提取快速識(shí)別斑馬線的方法[J]. 熊平,胡彩霞,周欣星.  電子設(shè)計(jì)工程. 2018(03)
[7]基于深度特征融合的中低分辨率車型識(shí)別[J]. 薛麗霞,鐘欣,汪榮貴,楊娟,胡敏.  計(jì)算機(jī)工程. 2019(01)
[8]模式分類中的特征融合方法[J]. 劉渭濱,鄒智元,邢薇薇.  北京郵電大學(xué)學(xué)報(bào). 2017(04)
[9]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[10]融合低層和高層特征圖表示的圖像顯著性檢測算法[J]. 高思晗,張雷,李成龍,湯進(jìn).  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2016(03)

博士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[D]. 呂恩輝.中國礦業(yè)大學(xué) 2019

碩士論文
[1]深度對抗式數(shù)據(jù)增強(qiáng)技術(shù)在小規(guī)模數(shù)據(jù)集上的應(yīng)用研究[D]. 張曉峰.中國科學(xué)技術(shù)大學(xué) 2019
[2]基于集成卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[D]. 寶阿春.中國礦業(yè)大學(xué) 2019
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類[D]. 許佳.長沙理工大學(xué) 2017
[4]自適應(yīng)深度學(xué)習(xí)算法在目標(biāo)分類問題中的應(yīng)用[D]. 米龍.東北大學(xué) 2014



本文編號：3382420