【摘要】：細(xì)粒度圖像分類問(wèn)題一直都是計(jì)算機(jī)視覺(jué)領(lǐng)域中具有挑戰(zhàn)性的一個(gè)研究課題。傳統(tǒng)的圖像分類方法其分類的對(duì)象往往是具有特征明顯且可區(qū)分性強(qiáng)的物體。例如,鳥(niǎo)和狗的分類,汽車和飛機(jī)的分類等,這類物體的區(qū)分往往只需要一些淺層的特征即可完成分類任務(wù)。傳統(tǒng)的粗粒度圖像分類需要大量人工標(biāo)記的圖像數(shù)據(jù),對(duì)每張圖像進(jìn)行人工標(biāo)注無(wú)疑耗費(fèi)了大量的人力和時(shí)間。隨著社會(huì)的發(fā)展和科學(xué)技術(shù)的進(jìn)步,人們已經(jīng)不滿足于粗粒度圖像的分類,對(duì)細(xì)粒度圖像的分類越來(lái)越貼切人們的生活所需。細(xì)粒度圖像分類的對(duì)象是某一類的子類,例如,不同種鳥(niǎo)類的分類、不同種狗類的分類等。由于子類類間存在細(xì)微的差異而子類類內(nèi)存在較大的差異,除了物體本身的原因之外,光照、拍攝角度、背景信息的干擾一定程度上影響了分類的效果這就使得對(duì)細(xì)粒度圖像的分類更加困難。細(xì)粒度分類從早期的依賴人工的傳統(tǒng)方法到深度學(xué)習(xí)的方法,其分類的效率和準(zhǔn)確率都有了極大的提升。在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行細(xì)粒度圖像分類的方法中,分類網(wǎng)絡(luò)模型也由淺層網(wǎng)絡(luò)模型發(fā)展到深度網(wǎng)絡(luò)模型,網(wǎng)絡(luò)模型寬度也由單一的網(wǎng)絡(luò)模型發(fā)展到雙流網(wǎng)絡(luò)模型甚至三流網(wǎng)絡(luò)模型。雙流網(wǎng)絡(luò)模型在模型的深度和寬度上相較于傳統(tǒng)方法在分類準(zhǔn)確率和效率上具有明顯的優(yōu)勢(shì)。本文基于雙流網(wǎng)絡(luò)模型的方法改進(jìn),鑒于ResNet網(wǎng)絡(luò)模型在圖像分類領(lǐng)域取得的巨大成功,首先在原雙流網(wǎng)絡(luò)基礎(chǔ)之上用殘差網(wǎng)絡(luò)替換其中的一個(gè)單流網(wǎng)絡(luò),組成殘差混合網(wǎng)絡(luò)模型,進(jìn)一步豐富了特征的提取,然后在殘差混合網(wǎng)絡(luò)模型基礎(chǔ)之上通過(guò)額外疊加一個(gè)雙流網(wǎng)絡(luò)模型,組成四流網(wǎng)絡(luò)模型,其中額外疊加的雙流網(wǎng)絡(luò)模型是由兩個(gè)不同深度的VGG網(wǎng)絡(luò)模型組成,來(lái)進(jìn)一步完善和豐富提取到的特征。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出方法的有效性。
【圖文】：

第一章 緒論2圖1.1 粗粒度圖像分類的對(duì)象圖 1.2 不同種類的鳥(niǎo)細(xì)粒度圖像分類[7,8]是將特定類別下的每個(gè)子類進(jìn)行分類，，如圖 1.2 所示為不同類別的鳥(niǎo)類，這些鳥(niǎo)類無(wú)論是在體型、大小、顏色等方面都極其的相似，從圖中可以看出區(qū)分這些鳥(niǎo)類的關(guān)鍵部位就是鳥(niǎo)類的頭部和喙部，由于各個(gè)子類[9]之間樣本信息較為相似，且容易受到拍照角度、遮擋、天氣變化等外部因素的干擾，對(duì)子類進(jìn)行分類顯得尤為困難。隨著社會(huì)的不斷進(jìn)步，深度學(xué)習(xí)的出現(xiàn)也讓圖像分類從傳統(tǒng)的特征提取方法過(guò)度到了利用神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)學(xué)習(xí)圖像特征的方式，細(xì)粒度分類在生活中的應(yīng)用也越來(lái)越廣闊，例如對(duì)花

2圖 1.2 不同種類的鳥(niǎo)細(xì)粒度圖像分類[7,8]是將特定類別下的每個(gè)子類進(jìn)行分類，如圖 1.2 所示為不同類別的鳥(niǎo)類，這些鳥(niǎo)類無(wú)論是在體型、大小、顏色等方面都極其的相似，從圖中可以看出區(qū)分這些鳥(niǎo)類的關(guān)鍵部位就是鳥(niǎo)類的頭部和喙部，由于各個(gè)子類[9]之間樣本信息較為相似，且容易受到拍照角度、遮擋、天氣變化等外部因素的干擾，對(duì)子類進(jìn)行分類顯得尤為困難。隨著社會(huì)的不斷進(jìn)步，深度學(xué)習(xí)的出現(xiàn)也讓圖像分類從傳統(tǒng)的特征提取方法過(guò)度到了利用神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)學(xué)習(xí)圖像特征的方式，細(xì)粒度分類在生活中的應(yīng)用也越來(lái)越廣闊，例如對(duì)花
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP18

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前2條

1 侯明偉;基于空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法[D];武漢大學(xué);2018年

2 肖靚;基于支持向量機(jī)的圖像分類研究[D];同濟(jì)大學(xué);2006年

本文編號(hào)：2676373