發(fā)布時(shí)間：2020-11-21 00:10

　　 圖像分類是計(jì)算機(jī)視覺(jué)技術(shù)重要的研究方向,是指通過(guò)獲取圖像的顯著特征以實(shí)現(xiàn)不同類別劃分的圖像處理方法。傳統(tǒng)的圖像分類方法通過(guò)特征描述符加分類器的方法來(lái)實(shí)現(xiàn),這種方法的準(zhǔn)確度很大程度上取決于特征提取的有效性。隨著計(jì)算機(jī)硬件性能、大數(shù)據(jù)及學(xué)習(xí)算法的發(fā)展,深度學(xué)習(xí)的方法被廣泛應(yīng)用到圖像處理的各個(gè)領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用了深度學(xué)習(xí)的思想,是一種深層前饋神經(jīng)網(wǎng)絡(luò)模型,在語(yǔ)音識(shí)別、人臉識(shí)別、運(yùn)動(dòng)分析、醫(yī)學(xué)診斷等多個(gè)圖像分類領(lǐng)域都表現(xiàn)出很好的性能。卷積神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò),具有稀疏連接、權(quán)值共享等特點(diǎn)。卷積神經(jīng)網(wǎng)絡(luò)更好地模擬了視覺(jué)神經(jīng)元響應(yīng)圖像局部信息的特點(diǎn),使用稀疏連接構(gòu)建圖像的局部感知野,大大降低了神經(jīng)網(wǎng)絡(luò)的參數(shù)規(guī)模。通過(guò)共享權(quán)值的方法將卷積層的每一個(gè)卷積核重復(fù)的作用于整個(gè)感受野中,提取出圖像的局部特征,減少了自由參數(shù)的數(shù)量,提高了模型的訓(xùn)練效率�；诰矸e神經(jīng)網(wǎng)絡(luò)的圖像分類方法避免了繁雜的顯示特征提取,將圖像的特征分析并入神經(jīng)網(wǎng)絡(luò)之中,通過(guò)調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置,實(shí)現(xiàn)真正的端到端的圖像分類。設(shè)計(jì)基本結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型是一個(gè)簡(jiǎn)單的過(guò)程,而對(duì)于模型的優(yōu)化和訓(xùn)練是一個(gè)漫長(zhǎng)和復(fù)雜的過(guò)程,因此對(duì)于模型的優(yōu)化方法研究和訓(xùn)練效率提升至關(guān)重要。文中基于卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu),提出了依次使用數(shù)據(jù)集擴(kuò)充、準(zhǔn)確度提升、過(guò)擬合解決、效率提升的一套優(yōu)化方法流程。通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證了數(shù)據(jù)增強(qiáng)提升數(shù)據(jù)集的多樣性有利于提升準(zhǔn)確度和泛化能力;在數(shù)據(jù)集不變的情況下,提升網(wǎng)絡(luò)模型規(guī)模和層深度是有效提升模型分類準(zhǔn)確度的方法;對(duì)于大規(guī)模網(wǎng)絡(luò)模型帶來(lái)的過(guò)擬合問(wèn)題,配合使用正則化、稀疏性優(yōu)化、數(shù)據(jù)分布優(yōu)化等方法均能夠?qū)崿F(xiàn)不同程度的解決;訓(xùn)練大規(guī)模模型和數(shù)據(jù)時(shí),優(yōu)化梯度下降方法可以有效提升網(wǎng)絡(luò)的收斂速度,而使用GPU加速將極大的提升訓(xùn)練效率。針對(duì)氣象行業(yè)地基全天空云圖的分類問(wèn)題,建立了 9層的卷積神經(jīng)網(wǎng)絡(luò)模型,并通過(guò)BN算法、dropout方法對(duì)模型進(jìn)行優(yōu)化,在中國(guó)氣象科學(xué)研究院公開(kāi)的云圖數(shù)據(jù)集上進(jìn)行訓(xùn)練,并對(duì)測(cè)試集實(shí)現(xiàn)了最優(yōu)97.8%的分類準(zhǔn)確度,相較于經(jīng)典模型Alexnet和GoogLeNet inception-v3分類準(zhǔn)確度更佳、參數(shù)量更少、訓(xùn)練效率更高。運(yùn)用遷移學(xué)習(xí)的方法將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到自制全天空云圖儀數(shù)據(jù)集的分類中,實(shí)驗(yàn)證明,使用遷移學(xué)習(xí)可以使網(wǎng)絡(luò)模型在新的數(shù)據(jù)集上實(shí)現(xiàn)快速收斂,在相同的時(shí)間內(nèi)訓(xùn)練出的模型分類性能要好于重新訓(xùn)練的網(wǎng)絡(luò)模型。經(jīng)過(guò)對(duì)兩類數(shù)據(jù)集上訓(xùn)練,在混合測(cè)試集上預(yù)測(cè)準(zhǔn)確度達(dá)到95.5%,也使所設(shè)計(jì)的網(wǎng)絡(luò)模型對(duì)于圖像的尺寸、儀器的采樣方式具有更強(qiáng)的適應(yīng)性,在自制的全天空云圖儀上實(shí)現(xiàn)較好的分類效果。針對(duì)質(zhì)檢行業(yè)卷煙煙絲組成成分的分類問(wèn)題,研究了煙絲各組成成分的特征,確定使用煙絲的局部特征圖像建立分類數(shù)據(jù)集。設(shè)計(jì)了基于卷積神經(jīng)網(wǎng)絡(luò)的煙絲識(shí)別模型,使用11層卷積神經(jīng)網(wǎng)絡(luò)用于局部特征圖像的分類,在訓(xùn)練過(guò)程中,提出了運(yùn)用多尺度分割方法提升模型的適用性,運(yùn)用數(shù)據(jù)增強(qiáng)方法提升數(shù)據(jù)集的多樣性,運(yùn)用正則化方法提升模型的泛化能力,使卷積神經(jīng)網(wǎng)絡(luò)在局部圖片測(cè)試集上最優(yōu)預(yù)測(cè)準(zhǔn)確度達(dá)到93.23%。在對(duì)煙絲樣本的測(cè)試過(guò)程中,設(shè)計(jì)了基于圖像尺寸匹配的預(yù)處理方法,并對(duì)卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果運(yùn)用了基于統(tǒng)計(jì)分析的判定方法,上述方法使識(shí)別模型不完全依賴于卷積神經(jīng)網(wǎng)絡(luò)的性能,提升了識(shí)別模型對(duì)卷積神經(jīng)網(wǎng)絡(luò)泛化能力的容忍度,在煙絲訓(xùn)練和測(cè)試樣本上分別實(shí)現(xiàn)了100%和98.75%的正確率。
【學(xué)位單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2018
【中圖分類】：TP391.41;TP183
【部分圖文】：

人工神經(jīng)網(wǎng)絡(luò)是模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)的基本特征，進(jìn)行分布式并行信息處理的??數(shù)學(xué)模型。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本單元，每個(gè)神經(jīng)元由樹(shù)突、細(xì)胞體和軸突組??成。受生物神經(jīng)元的啟發(fā)，神經(jīng)元模型設(shè)計(jì)為如圖２．１所示［５１】。神經(jīng)元輸出可以??按照式２．１計(jì)算：??ｙ?＝?ｆ（，ｗｘ?＋?ｂ）?（２．１）??其中，ｘ為輸入信號(hào)，為權(quán)值，６為偏置，／為傳輸函數(shù)或激活函數(shù)。??權(quán)值ｗ代表了對(duì)應(yīng)突觸的連接強(qiáng)度，ｗ和Ｚ）為神經(jīng)網(wǎng)絡(luò)中可調(diào)節(jié)的參數(shù)。??輸入?通用神經(jīng)元??ｂ??＼??Ｊ??ｙ＝Ｊ｛ｗｘ＋ｂ）??圖２．１單個(gè)神經(jīng)元模型??一個(gè)神經(jīng)元可以有多個(gè)輸入，對(duì)于多輸入的神經(jīng)元如圖２．２所示。其輸出可??以表示為：??ｙ?￣?／（＾ｕ＾ｉ?＋?ｗｉ＼ｘ２?＋?？?？?？?＋?＋ｂ）?＝?ｆ?（?Ｗｘ＋６）?（２．２）??其中，ＸＰＸ２，．．．，Ｘ，為輸入信號(hào)，矩陣形式表不為Ｘ，為輸入信號(hào)??對(duì)應(yīng)的權(quán)值，矩陣形式表示為Ｗ。??輸入?多輸入神經(jīng)元??ｙ＝ｙ（＼Ｖｘ＋ｂ）??圖２．２多輸入神經(jīng)元模型??７??

第２章卷積神經(jīng)網(wǎng)絡(luò)的基本特征及絡(luò)模型??是模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)的基本特征，進(jìn)行神經(jīng)網(wǎng)絡(luò)的基本單元，每個(gè)神經(jīng)元由啟發(fā)，神經(jīng)元模型設(shè)計(jì)為如圖２．１所ｙ?＝?ｆ（，ｗｘ?＋?ｂ）信號(hào)，為權(quán)值，６為偏置，／為傳輸應(yīng)突觸的連接強(qiáng)度，ｗ和Ｚ）為神經(jīng)網(wǎng)

２．３從公式２．３中可看出，在設(shè)置不同尺寸的移動(dòng)步長(zhǎng)時(shí)，步長(zhǎng)往往不能整除整??張圖的像素寬度，因此我們將卷積運(yùn)算的過(guò)程分為兩種，一種是不越過(guò)邊緣取樣，??取樣面積小于輸入圖像的像素寬度，記作為“ＶＡＬＩＤ”，另一種是越過(guò)邊緣取樣，??取樣面積和輸入圖像的像素寬度一致，記作為“ＳＡＭＥ”。??
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高震宇;王安;董浩;劉勇;王錦平;周明珠;夏營(yíng)威;張龍;;基于卷積神經(jīng)網(wǎng)絡(luò)的煙絲物質(zhì)組成識(shí)別方法[J];煙草科技;2017年09期

2 周敏;史振威;丁火平;;遙感圖像飛機(jī)目標(biāo)分類的卷積神經(jīng)網(wǎng)絡(luò)方法[J];中國(guó)圖象圖形學(xué)報(bào);2017年05期

3 張任其;李建華;范磊;;分布式環(huán)境下卷積神經(jīng)網(wǎng)絡(luò)并行策略研究[J];計(jì)算機(jī)工程與應(yīng)用;2017年08期

4 王曉斌;黃金杰;劉文舉;;基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的交通標(biāo)志識(shí)別[J];計(jì)算機(jī)應(yīng)用;2017年02期

5 張超凡;董浩;劉勇;夏營(yíng)威;高震宇;張龍;王錦平;周明珠;邢軍;;基于視覺(jué)形態(tài)特征檢測(cè)的煙梗切絲質(zhì)量分析[J];煙草科技;2017年01期

6 唐智川;張克俊;李超;孫守遷;黃琦;張三元;;基于深度卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)想象分類及其在腦控外骨骼中的應(yīng)用[J];計(jì)算機(jī)學(xué)報(bào);2017年06期

7 孫曉;潘汀;任福繼;;基于ROI-KNN卷積神經(jīng)網(wǎng)絡(luò)的面部表情識(shí)別[J];自動(dòng)化學(xué)報(bào);2016年06期

8 張婷;李玉鑑;胡海鶴;張亞紅;;基于跨連卷積神經(jīng)網(wǎng)絡(luò)的性別分類模型[J];自動(dòng)化學(xué)報(bào);2016年06期

9 莊會(huì)富;鄧喀中;范洪冬;;紋理特征向量與最大化熵法相結(jié)合的SAR影像非監(jiān)督變化檢測(cè)[J];測(cè)繪學(xué)報(bào);2016年03期

10 夏營(yíng)威;馮茜;趙硯棠;向蘭康;朱震;劉勇;劉軍;張龍;趙繼俊;鐘青;易浩;杜瑞華;;基于計(jì)算機(jī)視覺(jué)的煙絲寬度測(cè)量方法[J];煙草科技;2014年09期

相關(guān)碩士學(xué)位論文 前2條

1 張鼎;基于卷積神經(jīng)網(wǎng)絡(luò)和K鄰近算法的車標(biāo)識(shí)別[D];西安電子科技大學(xué);2015年

2 米龍;自適應(yīng)深度學(xué)習(xí)算法在目標(biāo)分類問(wèn)題中的應(yīng)用[D];東北大學(xué);2014年

本文編號(hào)：2892222