隨著數(shù)字媒體技術的不斷發(fā)展,人們的多媒體信息也變得日益豐富。與此同時,一個顯著的問題是,如何有效的管理這些多媒體資源。近年來,國內外對此已有一些初步的研究,但大都不太系統(tǒng),在實際應用過程中也有很多問題。針對于此,本文探討了通過圖像內容理解的方式對圖片進行分類管理的方法。具體將從以下幾部分展開:圖像的場景分析、特定目標識別中特征學習的有效方法探究(以人臉識別到人臉驗證的遷移為例)、特征搜索算法設計優(yōu)化與實現(xiàn)等。對于面向圖像自動管理的場景分析部分,本文首先分析了原始圖像分類中單類別分類的目標局限性,在此基礎上提出了一種適應于日常生活照片的多標簽場景分類網絡。其次,分類網絡的基模型采用一個計算精簡,移動端友好的Shufflenet網絡作為基礎結構,避免了常見網絡分類需要在服務器部署,并由網絡傳輸?shù)葞淼囊幌盗邪ǖ幌抻跀?shù)據(jù)隱私,網絡延遲、模型過大的存儲等問題。再次,作為對基礎網絡的一個優(yōu)化,引入了注意力模型,通過深度卷積網絡通道上的加權使分類模型對數(shù)據(jù)有更好的適應性。此外,對于損失函數(shù),考慮到多標簽分類網絡中正負標簽比例不均衡的情況,設計了一個均衡的二元交叉熵損失函數(shù),以對數(shù)據(jù)更好的建模。最...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
序言
1 引言
    1.1 選題背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 場景分類
        1.2.2 特定目標(人臉)識別
        1.2.3 圖像搜索
    1.3 研究內容及章節(jié)安排
2 面向圖片自動管理的場景分類
    2.1 基于傳統(tǒng)特征的場景分類
        2.1.1 圖像預處理
        2.1.2 圖像增強
        2.1.3 特征提取
        2.1.4 模式分類
    2.2 基于深度學習的場景分類
        2.2.1 場景分類基礎網絡
        2.2.2 基礎網絡的通道關注改進
        2.2.3 多標簽分類及損失函數(shù)實現(xiàn)
        2.2.4 網絡整體結構
        2.2.5 多標簽場景分類實現(xiàn)
    2.3 本章小結
3 面向圖片自動管理的特定目標(人臉)識別
    3.1 人臉識別處理概覽
        3.1.1 人臉檢測
        3.1.2 人臉對齊
        3.1.3 人臉特征提取與人臉識別
    3.2 人臉識別損失函數(shù)設計
        3.2.1 類內損失
        3.2.2 類間損失
        3.2.3 去冗余項
    3.3 網絡選擇
        3.3.1 網絡基礎結構選擇
        3.3.2 激活函數(shù)選擇
    3.4 人臉識別網絡實現(xiàn)及其特征遷移
        3.4.1 網絡概覽
        3.4.2 實驗結果
    3.5 本章小結
4 圖片自動管理中的高效搜索
    4.1 基于倒排表的近似搜索算法
    4.2 基于分段矢量量化的近似搜索算法
    4.3 近似搜索算法實現(xiàn)
        4.3.1 近似搜索算法速度/內存使用對比
        4.3.2 Facebook Faiss近似搜索庫PQ算法優(yōu)化
        4.3.3 分段矢量量化召回率與近鄰個數(shù)關系
    4.4 本章小結
5 實驗環(huán)境搭建及實驗結果
    5.1 數(shù)據(jù)集準備
    5.2 神經網絡搭建
    5.3 網絡訓練
    5.4 實測結果
        5.4.1 場景分類結果
        5.4.2 人臉近似搜索結果
    5.5 本章小結
6 總結與未來展望
    6.1 論文總結
    6.2 未來展望
參考文獻
作者簡歷及攻讀碩士學位期間取得的研究成果
學位論文數(shù)據(jù)集



本文編號：4006099