圖像識(shí)別指利用計(jì)算機(jī)對(duì)圖像信息進(jìn)行處理和分析,從而對(duì)圖像中包含的目標(biāo)類別進(jìn)行劃分。圖像的識(shí)別具有非常廣泛的應(yīng)用,如指紋識(shí)別、人臉識(shí)別和交通標(biāo)志識(shí)別等�，F(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別方法,由于其具有強(qiáng)大的特征學(xué)習(xí)能力,在識(shí)別準(zhǔn)確率上表現(xiàn)優(yōu)異。但是,該類方法是基于數(shù)據(jù)驅(qū)動(dòng),存在樣本需求量大,訓(xùn)練時(shí)間長(zhǎng),調(diào)參困難等缺陷。本論文主要研究并實(shí)現(xiàn)了一種融合語義和膠囊網(wǎng)絡(luò)(Capsule Network,CapsNet)的圖像識(shí)別方法。圖像語義是指視覺接收?qǐng)D像信號(hào)形成的結(jié)構(gòu)化知識(shí)描述,包含一系列可理解、可解釋的信息。該方法通過融合圖像的語義和CapsNet,提高訓(xùn)練數(shù)據(jù)的利用率,可在較少樣本集訓(xùn)練的情況下,達(dá)到較好的識(shí)別效果。該方法可以有效緩解深度學(xué)習(xí)模型依賴大量訓(xùn)練樣本的問題。具體工作內(nèi)容如下:(1)本文提出一種基于語義的識(shí)別網(wǎng)絡(luò),模擬人對(duì)圖像中不同類別目標(biāo)的認(rèn)知過程:依據(jù)不同類別的目標(biāo)具有其特定的知識(shí)描述――語義,對(duì)目標(biāo)進(jìn)行分類識(shí)別。不同的語義之間具有一定的層級(jí)關(guān)系,圖像中語義往往由若干子語義組成,子語義可以繼續(xù)不斷劃分,直到不能拆解時(shí)稱為語義基元,本文構(gòu)建語義網(wǎng)絡(luò)來描述語義基元與語義的關(guān)系,通過對(duì)...

【文章頁數(shù)】：82 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.4德國(guó)交通標(biāo)志中部分基元組合示例

視覺感知到圖像中的基本信息，它是描述待測(cè)目標(biāo)的基本組成部分，分析并確定基元的個(gè)數(shù)，對(duì)圖像進(jìn)行基元提取，獲得語義信息。給出交通標(biāo)志中部分基元組合形式如圖2.4所示。圖2.4德國(guó)交通標(biāo)志中部分基元組合示例形如其中機(jī)動(dòng)車禁止通行標(biāo)志可以分解為紅色的圓環(huán)和小車輪廓，通過識(shí)別圖像中包含的紅....

圖3.6激活函數(shù)圖形（3）池化層

0。常見激活函數(shù)圖形如圖3.6所示。30

圖4.4膠囊網(wǎng)絡(luò)損失函數(shù)圖形

2范數(shù)歸一化，指將向量中各元素的先平方后求和，再求平方根的過程。損失函數(shù)取值如圖4.4所示。圖4.4膠囊網(wǎng)絡(luò)損失函數(shù)圖形4.3.2語語義義模模型型損損失失函函數(shù)數(shù)設(shè)設(shè)計(jì)計(jì)語義模型的訓(xùn)練過程主要是，利用損失函數(shù)公式(4-3)，計(jì)算與訓(xùn)練樣本實(shí)際類別標(biāo)簽的損失值，這個(gè)損失值就是語義....

圖4.5調(diào)節(jié)系數(shù)函數(shù)

調(diào)節(jié)系數(shù)函數(shù)(4-4)圖形如圖4.5所示。計(jì)算表達(dá)式中用來控制曲線變化的快慢程度，控制曲線起始變化的位置的左右。圖4.5調(diào)節(jié)系數(shù)函數(shù)53

本文編號(hào)：3903492