本文選題：卷積神經(jīng)網(wǎng)絡(luò)　切入點(diǎn)：Bayesian決策規(guī)則　出處：《中國(guó)科學(xué):技術(shù)科學(xué)》2017年09期 　論文類型：期刊論文

【摘要】：當(dāng)前熱門圖像分類方法大多側(cè)重在分類能力,忽視識(shí)別新事物,然而人類認(rèn)識(shí)事物時(shí)側(cè)重認(rèn)識(shí),只在細(xì)小之處重視分類,這一點(diǎn)與人類記憶機(jī)制密切相關(guān).盡管目前有許多記憶建模理論被相繼提出,但大多以單詞列表的形式學(xué)習(xí),對(duì)自然圖像列表的研究有限.基于此,本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)與Bayesian決策的圖像識(shí)別分類記憶建模方法,首先利用卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征,并采用二進(jìn)制形式存儲(chǔ)特征向量;然后進(jìn)行視覺圖像的表達(dá),存儲(chǔ)與提取記憶建模,將測(cè)試圖像特征向量與所有已存儲(chǔ)特征向量進(jìn)行匹配對(duì)比,計(jì)算似然率值;最后在所有似然率基礎(chǔ)上計(jì)算測(cè)試圖像是新類別的幾率,若該幾率大于某個(gè)閾值則判別其為新類別;反之,利用Bayesian決策規(guī)則進(jìn)行.圖像分類.在Caltech-101與Caltech-256數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明所提方法能很好地應(yīng)用于圖像識(shí)別分類任務(wù)中.其擊中率比目前代表性的稀疏表達(dá)分類(SRC)以及極限學(xué)習(xí)機(jī)(ELM)方法高,且虛報(bào)率比其他兩種方法低的多.
[Abstract]:At present, most popular image classification methods focus on the ability of classification, ignoring the recognition of new things. However, when people know things, they pay attention to classification only in small places. This is closely related to the mechanism of human memory. Although many theories of memory modeling have been put forward one after another, most of them are studied in the form of word lists, and the study of natural image lists is limited. In this paper, a method of classifying memory modeling based on convolution neural network and Bayesian decision is proposed. Firstly, the image feature is extracted by convolution neural network, and the feature vector is stored in binary form, then the visual image is represented. The model of storing and extracting memory is used to match the feature vector of test image with all the stored feature vectors, and the likelihood rate is calculated. Finally, the probability that the test image is a new category is calculated on the basis of all likelihood rates. If the probability is greater than a threshold, it is identified as a new category; conversely, The experiments on Caltech-101 and Caltech-256 database show that the proposed method can be well applied to the task of image recognition and classification. The hit rate of the proposed method is better than that of the representative sparse representation classification and pole. Learning-limited machine (ELM) method is high, And the false report rate is much lower than the other two methods.
【作者單位】： 中國(guó)石油大學(xué)(華東)信息與控制工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(批準(zhǔn)號(hào):61271407,61671480) 中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(編號(hào):14CX06066A)資助
【分類號(hào)】：TP183;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;The Diagnosis of Reciprocating Machinery by Bayesian Networks[J];International Journal of Plant Engineering and Management;2003年01期

2 ;Bayesian and Geostatistical Approaches to Combining Categorical Data Derived from Visual and Digital Processing of Remotely Sensed Images[J];Geo-Spatial Information Science;2005年02期

3 閻慧,曹元大;Application of Bayesian Dynamic Forecast in Anomaly Detection[J];Journal of Beijing Institute of Technology(English Edition);2005年01期

4 ;A Software Risk Analysis Model Using Bayesian Belief Network[J];南昌工程學(xué)院學(xué)報(bào);2006年02期

5 ;Application of Bayesian Network Learning Methods to Land Resource Evaluation[J];Wuhan University Journal of Natural Sciences;2006年04期

6 ;Exact Bayesian and Fiducial Limits for the Mean of Lognormal Distribution[J];Chinese Journal of Systems Engineering and Electronics;1994年02期

7 王飛;劉大有;盧奕男;薛萬(wàn)欣;;Bayesian網(wǎng)中的獨(dú)立關(guān)系[J];計(jì)算機(jī)科學(xué);2001年12期

8 楊欣斌,孫京誥,黃道;基于Bayesian網(wǎng)絡(luò)的缺損數(shù)據(jù)處理方法[J];華東理工大學(xué)學(xué)報(bào);2002年S1期

9 薛萬(wàn)欣,董冠宇,劉大有;Bayesian網(wǎng)轉(zhuǎn)化為神經(jīng)元網(wǎng)[J];電子學(xué)報(bào);2004年02期

10 李維華,劉惟一,張忠玉;基于鏈圖的Bayesian網(wǎng)結(jié)點(diǎn)聚集[J];計(jì)算機(jī)應(yīng)用;2004年03期

相關(guān)會(huì)議論文 前10條

1 ;Optimal Coordination of Multi-task Allocation and Path Planning for UAVs Using Dynamic Bayesian Network[A];2009中國(guó)控制與決策會(huì)議論文集（3）[C];2009年

2 ;Bayesian Network analysis on agency behavior of controlling shareholders[A];2009中國(guó)控制與決策會(huì)議論文集（1）[C];2009年

3 ;Expected Bayesian Credible Limit of Reliability Parameters in the Case of Zero-Failure Data for Exponential Distribution[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

4 ;Research on Applying Bayesian Networks to Condition-Based Maintenance of Hydroelectric Set[A];第二十三屆中國(guó)控制會(huì)議論文集（下冊(cè)）[C];2004年

5 ;A Recursive Method of Learning Bayesian Network for Rule Extraction Based on Information Theory[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

6 ;Application of Data Mining Model Based on Bayesian Artificial Neural Network in Fault Diagnosis for Hydraulic Generators[A];第二十四屆中國(guó)控制會(huì)議論文集（下冊(cè)）[C];2005年

7 ;A Reliability Improvement Predictive Approach to Software Testing with Bayesian Method[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

8 ZHU Zoe;;Threat Assessment Based on Variable Parameter Dynamic Bayesian Network[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

9 ;Bayesian methods for cycle slips detection based on autoregressive model[A];第三屆中國(guó)衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì)電子文集——S03精密定軌與精密定位[C];2012年

10 ;Fault Prognosis for Data Incomplete Systems: A Dynamic Bayesian Network Approach[A];第24屆中國(guó)控制與決策會(huì)議論文集[C];2012年

相關(guān)博士學(xué)位論文 前5條

1 李艷琴;Bayesian框架下的地震盲反褶積算法研究[D];天津大學(xué);2015年

2 彭青松;Bayesian網(wǎng)及其在圖像分析中的應(yīng)用研究[D];合肥工業(yè)大學(xué);2005年

3 董旭初;Bayesian網(wǎng)的最優(yōu)樹分解研究[D];吉林大學(xué);2011年

4 張召友;非線性Bayesian濾波及其在SINS/GPS緊耦合導(dǎo)航中的應(yīng)用研究[D];哈爾濱工程大學(xué);2013年

5 Muzahem Mohammed Yahya Al-Hashimi;[D];華中科技大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 董海彪;基于克里格替代模型和改進(jìn)的Bayesian-MCMC方法的地下水污染源反演識(shí)別研究[D];吉林大學(xué);2016年

2 滕德雄;基于Bayesian的空間多層線性回歸模型的參數(shù)估計(jì)及其應(yīng)用[D];新疆大學(xué);2016年

3 于鵬;一種Bayesian網(wǎng)結(jié)構(gòu)學(xué)習(xí)算法的研究[D];吉林大學(xué);2005年

4 毛小云;基于Bayesian網(wǎng)絡(luò)的對(duì)等環(huán)境負(fù)載均衡模型[D];浙江大學(xué);2008年

5 王昆;一種基于Bayesian CBR的推薦系統(tǒng)研究[D];河北師范大學(xué);2011年

6 董旭初;Bayesian網(wǎng)推理算法及基于Bayesian網(wǎng)的農(nóng)業(yè)專家系統(tǒng)開發(fā)工具組件[D];吉林大學(xué);2004年

7 王鵬;Bayesian網(wǎng)推理算法及在圖像分類上的應(yīng)用[D];吉林大學(xué);2006年

8 呂利;應(yīng)用Bayesian網(wǎng)處理基于一致性診斷中的不確定性問(wèn)題的研究[D];吉林大學(xué);2007年

9 潘吉斯;一種Bayesian網(wǎng)絡(luò)結(jié)構(gòu)的并行學(xué)習(xí)方法[D];蘇州大學(xué);2006年

10 孫圢;基于Bayesian網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)及推理的轉(zhuǎn)爐煤氣調(diào)度[D];大連理工大學(xué);2013年

，

本文編號(hào)：1567042