形狀信息是物體最直觀、重要的描述,其表示與識別是計算機視覺領域的基本問題。然而真實世界的形狀往往存在各種變化,包括噪聲、形狀變形、遮擋和同類形狀間的差異等。這些變化給傳統(tǒng)基于手工特征如形狀上下文、形狀簽名等的形狀表示和識別方法帶來很大的挑戰(zhàn)。近年來,隨著深度學習相關技術的突破性發(fā)展及廣泛應用,利用深度網(wǎng)絡來進行形狀的表示及識別成為一個新興研究內(nèi)容。不過,在二維形狀相關的應用場景中,深度網(wǎng)絡的發(fā)展目前還存在一些問題。第一,具備標簽的二維形狀數(shù)據(jù)往往是有限的,僅可用于訓練淺層的神經(jīng)網(wǎng)絡,而淺層網(wǎng)絡表示能力有限,實驗中識別準確率不高;第二,現(xiàn)有方法多數(shù)為自行構建的網(wǎng)絡,其網(wǎng)絡參數(shù)及實驗結果一般較難復現(xiàn),限制了這些方法的推廣和應用;第三,數(shù)據(jù)增強是一種防止網(wǎng)絡參數(shù)過擬合、提高識別準確率的有效方法,不過目前缺少針對于二維形狀的數(shù)據(jù)增強方法。所以,如何在有限訓練樣本的前提下,利用深度神經(jīng)網(wǎng)絡模型解決二維形狀數(shù)據(jù)的分析和識別,是值得進一步深入研究的課題。為了有效提高二維形狀的識別準確率,本文基于卷積神經(jīng)網(wǎng)絡強大的特征提取和識別能力,結合遷移學習技術,提出了一種新型的二維形狀識別模型TL-CNN。在T... 

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究的背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢
    1.3 論文的組織結構
    1.4 本章小結
2 相關研究內(nèi)容的介紹
    2.1 卷積神經(jīng)網(wǎng)絡
        2.1.1 局部連接
        2.1.2 權值共享
        2.1.3 卷積神經(jīng)網(wǎng)絡模型
        2.1.4 網(wǎng)絡訓練過程
        2.1.5 AlexNet與VggNet
    2.2 遷移學習方法
        2.2.1 遷移學習的簡述
        2.2.2 遷移學習的類別
    2.3 數(shù)據(jù)增強方法
    2.4 本章小結
3 基于遷移學習和卷積神經(jīng)網(wǎng)絡的形狀識別
    3.1 問題分析與方法提出
        3.1.1 二維形狀識別中典型問題分析
        3.1.2 本文解決思路
    3.2 TL-CNN識別框架
    3.3 TL-CNN的學習過程
        3.3.1 特征提取
        3.3.2 模型微調
    3.4 數(shù)據(jù)增強方法
        3.4.1 方法綜述
        3.4.2 膨脹與腐蝕
        3.4.3 距離場
        3.4.4 離散曲線演化
        3.4.5 其他方法
    3.5 本章小結
4 實驗設計與結果分析
    4.1 實驗環(huán)境
    4.2 數(shù)據(jù)集及參數(shù)介紹
    4.3 TL-CNN實驗對比
    4.4 數(shù)據(jù)增強優(yōu)化實驗對比
    4.5 本章小結
結論
參考文獻
致謝
作者簡歷及攻讀碩士學位期間的科研成果


【參考文獻】：
期刊論文
[1]Trans Hist: Occlusion-robust shape detection in cluttered images[J]. Chu Han,Xueting Liu,Lok Tsun Sinn,Tien-Tsin Wong.  Computational Visual Media. 2018(02)
[2]深度卷積神經(jīng)網(wǎng)絡的發(fā)展及其在計算機視覺領域的應用[J]. 張順,龔怡宏,王進軍.  計算機學報. 2019(03)
[3]弦特征矩陣:一種有效的用于植物葉片圖像分類和檢索的形狀描述子[J]. 王斌,陳良宵,葉夢婕.  計算機學報. 2017(11)
[4]基于顏色和形狀特征的彩色圖像檢索方法[J]. 孫君頂,崔江濤,毋小省,周利華.  中國圖象圖形學報. 2004(07)

博士論文
[1]物體檢索與定位技術研究[D]. 姜文暉.北京郵電大學 2017
[2]基于形狀分析的三維點云模型壓縮[D]. 何辰.山東大學 2014
[3]遷移學習問題與方法研究[D]. 龍明盛.清華大學 2014



本文編號：3730476