最近幾年,人工智能迎來了飛速發(fā)展的黃金時期,與此同時,目標(biāo)識別技術(shù)作為其研究內(nèi)容的一個重要方向,從最初的圖像特征提取并結(jié)合機(jī)器學(xué)習(xí)分類器到非常流行的深度學(xué)習(xí)方法,目標(biāo)識別的效果一直在不斷地提升。除了人工智能技術(shù),共享經(jīng)濟(jì)也已經(jīng)充分融入到我們?nèi)粘Ｉ町?dāng)中,共享積木玩具也逐漸走進(jìn)大家的視野。由于積木零件種類繁多,在積木玩具歸還問題上,人工清點積木零件效率低下,利用計算機(jī)識別積木玩具成了一個非常有價值的研究方向。本文主要以立體目標(biāo)識別為研究課題,并以任意姿態(tài)下的積木玩具識別為例,針對課題及研究過程中碰到的問題展開了一系列研究,主要工作如下:（1）提出了基于改進(jìn)多特征的分類器融合立體目標(biāo)識別算法。通過改進(jìn)方向梯度直方圖算法以及自定義圖像特征,融合多個分類器進(jìn)行立體目標(biāo)識別。以積木零件識別問題為例,驗證了本章算法在實際應(yīng)用場景中能夠?qū)θ我庾藨B(tài)的立體目標(biāo)取得很好的識別效果,也通過對比實驗證明了本章算法的優(yōu)越性。（2）使用基于遷移學(xué)習(xí)和精簡網(wǎng)絡(luò)結(jié)構(gòu)的方法來提升小規(guī)模樣本數(shù)據(jù)集下分類網(wǎng)絡(luò)的性能。在實際應(yīng)用過程中,訓(xùn)練樣本的規(guī)模是制約網(wǎng)絡(luò)性能的一個重要方面。本文研究了在小規(guī)模訓(xùn)練集的情況下,使用遷移學(xué)習(xí)... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：102 頁

【學(xué)位級別】：碩士

【部分圖文】：

二維數(shù)據(jù)空間SVM分類示意圖

函數(shù)的方法，將原始問題轉(zhuǎn)變到高維空間，再使用線性分類的方法進(jìn)行分類，過程如圖 2.3 所示。比較常用的核函數(shù)有線性核，高斯核以及其他核函數(shù)。圖2.3 低維數(shù)據(jù)通過核函數(shù)映射到高維空間示意圖令 (.)表示空間映射關(guān)系，那么最終的求解公式就可以表示為(2-9)所示：2,1min2. . ( ( ) ) 1, 1, 2,...,w bTi is t y b i m ww x(2-9)SVM 通過構(gòu)造最大分類間隔的分類超平面來提高算法的魯棒性，保證了其學(xué)習(xí)的模型具有較好的泛化能力。SVM 的分類超平面主要有由少量支持向量所決定，這樣的構(gòu)造方式可以幫助我們抓住重要樣本、減少冗余樣本的干擾。SVM在擁有諸多優(yōu)點的同時也存在著一些有待改進(jìn)的地方。SVM訓(xùn)練速度較慢，其速度和函數(shù)維數(shù)呈指數(shù)變化；此外如果在訓(xùn)練集中存在部分噪聲數(shù)據(jù)的話，會對SVM 分類平面的選擇造成較大干擾[24]。SVM 的核函數(shù)選擇也是一大難題，它缺乏統(tǒng)一的理論指導(dǎo)，很大程度上依賴于使用者的經(jīng)驗。2.2.2 隨機(jī)森林隨機(jī)森林是在 2001 年首次被提出[5][23]

西安電子科技大學(xué)碩士學(xué)位論文成貓的真實圖片，如圖 2.14 所示。Pix2pix 網(wǎng)絡(luò)模型通過訓(xùn)練之后就可條圖翻譯到真實圖片的功能，pix2pix 網(wǎng)絡(luò)的能力遠(yuǎn)不止將線條變?yōu)樨埡芏嗥渌娜蝿?wù)，例如衛(wèi)星地圖轉(zhuǎn)變?yōu)槎S地圖等。Pix2Pix 網(wǎng)絡(luò)能取能力不僅得益于網(wǎng)絡(luò)結(jié)構(gòu)上的設(shè)計，也得益于它訓(xùn)練數(shù)據(jù)的組成方式。


本文編號：3406764