細(xì)粒度圖像分類是圖像分類領(lǐng)域內(nèi)的一項具有挑戰(zhàn)性的任務(wù),其主要目標(biāo)是對子類別間進(jìn)行區(qū)分。由于含有判別性的信息往往存在于微小的局部區(qū)域中,目前大部分細(xì)粒度圖像分類算法都是在得到判別性區(qū)域之后,再根據(jù)判別性區(qū)域訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行細(xì)粒度分類。通過對獲取判別性區(qū)域算法分析發(fā)現(xiàn),這些算法要么依賴于人工標(biāo)注信息,要么判別性區(qū)域包含較大冗余信息,嚴(yán)重影響了模型分類的性能。對此,本文圍繞判別性區(qū)域定位和模型訓(xùn)練方式對細(xì)粒度圖像分類算法展開研究,主要研究內(nèi)容及創(chuàng)新工作如下:1.針對判別性區(qū)域定位,本文提出一種基于注意力感知多層特征融合的細(xì)粒度圖像分類算法。該算法首先利用雙線性運算層改進(jìn)注意力網(wǎng)絡(luò),在圖像特征上利用改進(jìn)的注意力網(wǎng)絡(luò)和定位網(wǎng)絡(luò)對判別性區(qū)域?qū)崿F(xiàn)自動定位;然后對判別性區(qū)域裁剪放大并提取特征,使用多層特征融合的方式將網(wǎng)絡(luò)多階段卷積特征進(jìn)行融合;最后融合全局特征和各層融合后的特征,提升特征的表達(dá)能力,并基于此融合特征進(jìn)行分類。實驗結(jié)果表明,本文算法在CUB-200-2011和Stanford Cars數(shù)據(jù)集上取得了良好的效果。2.為了提高模型的分類準(zhǔn)確率和訓(xùn)練效率,本文針對訓(xùn)練方式提出集成遷移學(xué)習(xí)算...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于人工特征的細(xì)粒度圖像分類
        1.2.2 基于深度學(xué)習(xí)的細(xì)粒度圖像分類
    1.3 本文主要研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)理論基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
        2.1.4 批量標(biāo)準(zhǔn)化層
        2.1.5 CNN經(jīng)典網(wǎng)絡(luò)模型
    2.2 注意力機(jī)制
        2.2.1 注意力機(jī)制的原理
        2.2.2 圖像分類中的注意力機(jī)制
    2.3 遷移學(xué)習(xí)與CNN的結(jié)合
    2.4 集成學(xué)習(xí)與CNN的結(jié)合
        2.4.1 傳統(tǒng)集成學(xué)習(xí)方法
        2.4.2 快照集成算法和FGE算法
    2.5 本章小結(jié)
第3章 基于注意力感知多層特征融合的細(xì)粒度圖像分類
    3.1 引言
    3.2 判別性區(qū)域定位
        3.2.1 雙線性運算層
        3.2.2 判別性區(qū)域注意力模塊
        3.2.3 判別性區(qū)域定位
    3.3 多層特征融合
        3.3.1 卷積神經(jīng)網(wǎng)絡(luò)的卷積特征分析
        3.3.2 多層特征融合算法
    3.4 注意力感知多層特征融合網(wǎng)絡(luò)模型的設(shè)計
        3.4.1 注意力感知多層特征融合網(wǎng)絡(luò)
        3.4.2 模型的損失函數(shù)
    3.5 實驗結(jié)果與分析
        3.5.1 仿真設(shè)計
        3.5.2 定位網(wǎng)絡(luò)初始化訓(xùn)練分析
        3.5.3 多層特征融合分析
        3.5.4 細(xì)粒度圖像分類的結(jié)果對比
    3.6 本章小結(jié)
第4章 基于集成遷移學(xué)習(xí)的細(xì)粒度圖像分類
    4.1 引言
    4.2 遷移學(xué)習(xí)策略分析
    4.3 隨機(jī)加權(quán)平均算法
    4.4 集成遷移學(xué)習(xí)算法和分類網(wǎng)絡(luò)模型的設(shè)計
        4.4.1 集成遷移學(xué)習(xí)算法
        4.4.2 深度注意力特征融合網(wǎng)絡(luò)
    4.5 實驗結(jié)果與分析
        4.5.1 仿真設(shè)計
        4.5.2 集成遷移學(xué)習(xí)策略分析
        4.5.3 細(xì)粒度圖像分類的結(jié)果對比
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文工作總結(jié)
    5.2 未來工作與展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號：3752001