場景識別一直是計算機視覺領(lǐng)域中的重要課題,也是移動機器人系統(tǒng)的主要研究內(nèi)容。近年來,卷積神經(jīng)網(wǎng)絡(luò)在圖像理解與識別領(lǐng)域取得了許多成果。因此,本文基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計了室內(nèi)場景識別模型。通過卷積神經(jīng)網(wǎng)絡(luò)模型提取圖像的場景特征,并將卷積神經(jīng)網(wǎng)絡(luò)與分類器結(jié)合,最終實現(xiàn)對室內(nèi)場景的分類識別。文章的主要研究內(nèi)容如下:首先,歸納總結(jié)了現(xiàn)有的場景識別方法。通過查閱大量國內(nèi)外相關(guān)文獻,從基于語義特征的場景識別方法和基于卷積神經(jīng)網(wǎng)絡(luò)的場景識別方法兩方面對現(xiàn)有的場景識別方法進行了介紹和分析。由于室內(nèi)場景圖像的復(fù)雜性,選擇卷積神經(jīng)網(wǎng)絡(luò)方法來進行室內(nèi)場景識別。其次,設(shè)計了基于卷積神經(jīng)網(wǎng)絡(luò)的室內(nèi)場景識別方法。將Inception結(jié)構(gòu)與殘差結(jié)構(gòu)結(jié)合設(shè)計了Inception-residual結(jié)構(gòu),在GoogLeNet網(wǎng)絡(luò)模型的基礎(chǔ)上增加Inception-residual結(jié)構(gòu)作為室內(nèi)場景識別模型,并引入了dropout、Batch Normalization來優(yōu)化模型。詳細(xì)介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的室內(nèi)場景識別流程,并設(shè)置了識別過程中的訓(xùn)練與測試參數(shù)。最后,在深度學(xué)習(xí)框架TensorFlow上完成了室內(nèi)場景識別任務(wù),包...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 場景識別的研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于語義特征的場景識別方法
        1.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的場景識別方法
    1.3 本文主要內(nèi)容及結(jié)構(gòu)安排
        1.3.1 主要研究內(nèi)容
        1.3.2 論文結(jié)構(gòu)安排
第二章 場景識別的特征提取與分類
    2.1 場景特征提取
        2.1.1 HOG特征
        2.1.2 SIFT特征
        2.1.3 詞包模型
        2.1.4 卷積神經(jīng)網(wǎng)絡(luò)模型中的特征提取方法
    2.2 Softmax分類器
    2.3 本章小結(jié)
第三章 卷積神經(jīng)網(wǎng)絡(luò)
    3.1 卷積神經(jīng)網(wǎng)絡(luò)原理
        3.1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 局部感知與權(quán)值共享
        3.1.3 卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值更新
    3.2 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化
        3.2.1 隨機退出優(yōu)化方法
        3.2.2 mlpconv結(jié)構(gòu)
        3.2.3 Batch Normalization
    3.3 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)模型的室內(nèi)場景識別
    4.1 卷積神經(jīng)網(wǎng)絡(luò)模型
        4.1.1 GoogLeNet模型
        4.1.2 ResNet模型
    4.2 室內(nèi)場景識別模型設(shè)計
        4.2.1 GoogLeNet模型結(jié)構(gòu)參數(shù)
        4.2.2 室內(nèi)場景識別模型結(jié)構(gòu)參數(shù)
    4.3 模型的訓(xùn)練與測試
    4.4 本章小結(jié)
第五章 室內(nèi)場景識別結(jié)果分析
    5.1 實驗數(shù)據(jù)集
        5.1.1 實驗數(shù)據(jù)集介紹
        5.1.2 數(shù)據(jù)處理
            5.1.2.1 數(shù)據(jù)增強
            5.1.2.2 數(shù)據(jù)預(yù)處理
        5.1.3 場景類別的數(shù)學(xué)表示
    5.2 實驗平臺
        5.2.1 實驗配置
        5.2.2 TensorFlow介紹
    5.3 室內(nèi)場景識別
        5.3.1 室內(nèi)場景識別模型訓(xùn)練
            5.3.1.1 模型層數(shù)的確定
            5.3.1.2 學(xué)習(xí)率的選擇
            5.3.1.3 訓(xùn)練過程可視化
        5.3.2 識別結(jié)果
    5.4 室內(nèi)場景識別結(jié)果分析
        5.4.1 識別結(jié)果分析
        5.4.2 室內(nèi)場景特征可視化
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻
攻讀學(xué)位期間所取得的相關(guān)科研成果
致謝



本文編號：3806921