局部感受野、參數(shù)同享和池化方式的引入,使得卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更加簡略清晰,擬合參數(shù)更少,并且具有對抗數(shù)據(jù)集扭曲,平移,轉(zhuǎn)動的特性。常規(guī)圖像分類方式需要預(yù)先根據(jù)不通過任務(wù)不同數(shù)據(jù)集以人工或半人工形式提取特征,而卷積神經(jīng)網(wǎng)絡(luò)相反,是端到端的自主進行層次化的特征提取,因此具有更高的識別率和更廣泛的實用性。卷積神經(jīng)網(wǎng)絡(luò)的涌現(xiàn)極大激勵了計算機視覺和模式識別算法模型的更新?lián)Q代,也鞭策了科研人員對圖像分類識別算法的研究。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在逐層提取特征時存在隨機性,向同一結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)輸入同一數(shù)據(jù)集也會提取到各異的特征。該特征差別可以擴充特征維度,有利于發(fā)掘圖像的更深層次特征。根據(jù)分類數(shù)據(jù)集的不同,圖像識別分類范疇可以劃分為兩塊:粗粒度圖像和細粒度圖像(Fine-grained image categorization)的識別分類。顧名思義,細粒度圖像互相間差異程度更微小,差異精度更高,細微的局部差異才是區(qū)分類別的關(guān)鍵,并且姿態(tài),光照,遮擋,背景干擾等諸多未知因素對于細粒度圖像分類的干擾更大;傳統(tǒng)低秩復(fù)原模型忽略圖像區(qū)域在空間和模式上的聯(lián)系及相似的低秩矩陣和稀疏矩陣較難分開。基于以上問題,本文在優(yōu)化池化組合的基礎(chǔ)上,在另一子網(wǎng)絡(luò)中引入自適應(yīng)池化豐富差異特征,實現(xiàn)多尺度池化并提高特征表達層次,再根據(jù)互補測量函數(shù)測量子網(wǎng)絡(luò)間的特征差異的互補性,把差異值作為微調(diào)階段損失函數(shù)的懲罰項,反向傳播微調(diào)模型參數(shù),提高圖像分類的精準(zhǔn)度。而且為解決傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在細粒度圖像數(shù)據(jù)集上分類精度不高和細粒度圖像分類中背景干擾和依賴強監(jiān)督約束的問題,本文在多尺度池化的基礎(chǔ)上引入了改進的顯著性分析模型(將樹形結(jié)構(gòu)誘導(dǎo)范數(shù)和拉普拉斯正則化項引入低秩復(fù)原模型,提高該模型的前景檢測精度,精確定位數(shù)據(jù)集樣本中的顯著區(qū)域,抑制背景干擾)。在MNIST和CIFAR-10圖像集上的實驗結(jié)果表明,基于多尺度池化的卷積神經(jīng)網(wǎng)絡(luò)的分類能力優(yōu)于現(xiàn)有的深度卷積神經(jīng)網(wǎng)絡(luò),并且在引入改進的顯著性分析模型后,該算法在細粒度圖像數(shù)據(jù)集Cars和Stanford Dogs上取得了86.83%和82.71%的精準(zhǔn)度,比其他模型性能更好。以上試驗結(jié)果表明,本文提出了一種基于多尺度池化和顯著性分析的卷積神經(jīng)網(wǎng)絡(luò)分類算法,優(yōu)于傳統(tǒng)細粒度圖像算法的分類精度,并且不需要人工標(biāo)注信息,魯棒性和通用性強。
【學(xué)位單位】：內(nèi)蒙古科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

(a)原圖(b)子網(wǎng)絡(luò)1特征圖(c)子網(wǎng)絡(luò)2特征圖圖4.1兩子網(wǎng)絡(luò)于池化層1提取的特征圖本文在CIFAR-10樣本中挑取圖片進行差異驗證。如圖4.1所示，圖像“貓”經(jīng)過兩個拓撲結(jié)構(gòu)相同的CNN網(wǎng)絡(luò)，經(jīng)過各自第一個池化層就提取到了不同的特征表達。為了闡述兩子網(wǎng)絡(luò)間的特征差異確實存在并且足以被挖掘利用，通過計算初始圖象與利用特征圖反向重建的圖像間差值的標(biāo)準(zhǔn)差來衡量。計算公式如下：211(r )Ni iiN (式4.1)其中，r和 各表示重建圖與原圖， N 表示每類樣本圖的總數(shù)。
【相似文獻】

相關(guān)期刊論文 前10條

1 陶筱嬌;王鑫;;基于深度學(xué)習(xí)算法的圖像分類方法[J];微型電腦應(yīng)用;2019年03期

2 李會民;馬桂英;王延倉;;基于深度學(xué)習(xí)網(wǎng)絡(luò)的水質(zhì)圖像分類[J];北華航天工業(yè)學(xué)院學(xué)報;2018年04期

3 彭娟;;特征選擇和聚類分析的圖像分類模型[J];現(xiàn)代電子技術(shù);2017年19期

4 田凱;杜鵬;;基于C#的圖像分類系統(tǒng)實現(xiàn)[J];數(shù)碼世界;2017年08期

5 王科平;張志剛;;基于特征加權(quán)的自動圖像分類方法[J];微型電腦應(yīng)用;2014年01期

6 汪煜浩;華瑞林;;山地衛(wèi)星圖像分類制圖方法研究[J];遙感信息;1987年04期

7 吳健;賈宏宇;;基于遷移學(xué)習(xí)的圖像分類方法研究[J];河南科技;2018年31期

8 武慧瓊;張素蘭;張繼福;胡立華;;一種基于三支決策的花卉圖像分類[J];小型微型計算機系統(tǒng);2019年07期

9 林澤文;;深度學(xué)習(xí)及其在圖像分類識別中的運用探討[J];信息與電腦(理論版);2018年12期

10 李舒;吳磊;;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類中的應(yīng)用[J];醫(yī)學(xué)信息學(xué)雜志;2014年08期

相關(guān)博士學(xué)位論文 前10條

1 唐芃;基于弱監(jiān)督學(xué)習(xí)的物體檢測及其在圖像分類中的應(yīng)用[D];華中科技大學(xué);2019年

2 張璐;基于深度空間特征學(xué)習(xí)的極化SAR圖像分類[D];西安電子科技大學(xué);2019年

3 楊寶慶;基于字典學(xué)習(xí)的圖像分類算法及應(yīng)用研究[D];上海交通大學(xué);2017年

4 鄭昱;面向大規(guī)模圖像分類的層次化多任務(wù)學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2017年

5 郭雨薇;基于超像素表征和模糊特征學(xué)習(xí)的圖像分類與識別[D];西安電子科技大學(xué);2017年

6 李曉;基于遷移學(xué)習(xí)的跨域圖像分類方法研究[D];西安電子科技大學(xué);2017年

7 滑文強;小樣本下的極化SAR圖像分類問題研究[D];西安電子科技大學(xué);2018年

8 張姝茵;基于判別性特征學(xué)習(xí)的極化SAR圖像分類[D];西安電子科技大學(xué);2018年

9 丁擁科;基于先驗信息輔助的高分辨率SAR圖像分類方法研究[D];上海交通大學(xué);2017年

10 侯賽輝;圖像物體的精細化分類方法研究[D];中國科學(xué)技術(shù)大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 彭媛;基于多線索特征融合的圖像分類研究與應(yīng)用[D];江蘇科技大學(xué);2019年

2 Zhe Min;[D];華中師范大學(xué);2019年

3 高子翔;基于多尺度池化的卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法研究[D];內(nèi)蒙古科技大學(xué);2019年

4 廖牧鑫;基于卷積神經(jīng)網(wǎng)絡(luò)的果實蠅細粒度圖像分類研究[D];江西農(nóng)業(yè)大學(xué);2019年

5 李景浩;基于遷移學(xué)習(xí)與深度卷積的圖像分類研究[D];山東科技大學(xué);2018年

6 劉新偉;基于深度學(xué)習(xí)的標(biāo)簽傳播的圖像分類研究[D];溫州大學(xué);2019年

7 齊沖沖;深度學(xué)習(xí)在積木零件分類中的研究[D];云南大學(xué);2019年

8 周朋輝;基于機器學(xué)習(xí)的全天空極光圖像分類與割方法研究[D];陜西師范大學(xué);2019年

9 李代遠;深度卷積信念網(wǎng)絡(luò)在顱內(nèi)CT圖像分類中的應(yīng)用[D];湖南師范大學(xué);2017年

10 黃旭進;多層前向神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法及其在圖像分類中的應(yīng)用[D];中國計量大學(xué);2018年

本文編號：2854034