場(chǎng)景分類是圖像分類的一種特殊情況,它根據(jù)圖像的視覺(jué)內(nèi)容為圖像賦予相應(yīng)的語(yǔ)義類別,相對(duì)于一般的圖像分類,場(chǎng)景分類訓(xùn)練的數(shù)據(jù)集可能較小,且場(chǎng)景分類往往是多標(biāo)簽的,同時(shí)類內(nèi)差異明顯,類間又有很多相似性,使得多標(biāo)簽場(chǎng)景圖像的有效分類存在諸多挑戰(zhàn)。深度學(xué)習(xí)在識(shí)別圖像中的對(duì)象方面具有非常優(yōu)異的表現(xiàn),基于深度學(xué)習(xí)的圖像分類在特定任務(wù)上早就超過(guò)了人類的平均水平。本文利用深度學(xué)習(xí)相關(guān)神經(jīng)網(wǎng)絡(luò)算法良好的特征提取優(yōu)勢(shì),結(jié)合多示例多標(biāo)記學(xué)習(xí)(MIML)和遷移學(xué)習(xí)相關(guān)理論建立分類模型,給定一組圖像,識(shí)別圖像中包含的場(chǎng)景或?qū)ο髞?lái)對(duì)它們進(jìn)行多標(biāo)簽分類�；谏疃壬窠�(jīng)網(wǎng)絡(luò)的多示例多標(biāo)記學(xué)習(xí)算法,將BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)引入到多示例多標(biāo)記學(xué)習(xí)框架中,分別建立MIMLNN算法和MIMLRBF算法的分類模型,能夠采用非線性函數(shù)為標(biāo)簽相關(guān)性建模,描述出更為復(fù)雜的標(biāo)簽同現(xiàn)關(guān)系,同時(shí)將標(biāo)簽的相關(guān)性反饋到輸入來(lái)提高系統(tǒng)的性能。與傳統(tǒng)的MIML相關(guān)算法相比分類效果優(yōu)勢(shì)明顯,同時(shí)通過(guò)改進(jìn)MIMLRBF算法中Hausdorff距離表達(dá),提出改進(jìn)的W-MIMLRBF算法,進(jìn)一步提高多標(biāo)簽場(chǎng)景圖像分類效果�；谶w移學(xué)習(xí)的多標(biāo)簽場(chǎng)景圖像分...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究的主要內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
第二章 場(chǎng)景圖像分類和多標(biāo)簽分類
    2.1 場(chǎng)景圖像分類的概念和難點(diǎn)
        2.1.1 場(chǎng)景圖像分類的概念
        2.1.2 場(chǎng)景圖像分類的難點(diǎn)
    2.2 多標(biāo)簽分類
        2.2.1 多標(biāo)簽分類的定義
        2.2.2 多標(biāo)簽分類算法
        2.2.3 多標(biāo)簽分類的評(píng)價(jià)標(biāo)準(zhǔn)
    2.3 常見(jiàn)的多標(biāo)簽分類模型
        2.3.1 Softmax回歸模型
        2.3.2 K-近鄰分類模型
    2.4 本章小結(jié)
第三章 深度學(xué)習(xí)網(wǎng)絡(luò)模型
    3.1 深度學(xué)習(xí)
    3.2 深度學(xué)習(xí)網(wǎng)絡(luò)模型
        3.2.1 BP神經(jīng)網(wǎng)絡(luò)
        3.2.2 RBF神經(jīng)網(wǎng)絡(luò)
        3.2.3 卷積神經(jīng)網(wǎng)絡(luò)
    3.3 本章小結(jié)
第四章 基于深度神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)與改進(jìn)MIML算法
    4.1 多示例多標(biāo)記學(xué)習(xí)
    4.2 基于BP神經(jīng)網(wǎng)絡(luò)的MIML算法
        4.2.1 多層感知機(jī)
        4.2.2 MIMLNN算法
    4.3 基于RBF神經(jīng)網(wǎng)絡(luò)的MIML算法
    4.4 基于RBF神經(jīng)網(wǎng)絡(luò)的改進(jìn)MIML算法
    4.5 算法實(shí)現(xiàn)
        4.5.1 創(chuàng)建MIML圖像數(shù)據(jù)集
        4.5.2 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
第五章 基于遷移學(xué)習(xí)的多標(biāo)簽場(chǎng)景圖像分類算法
    5.1 遷移學(xué)習(xí)
    5.2 Inception-V3 模型
    5.3 基于遷移學(xué)習(xí)的多標(biāo)簽場(chǎng)景圖像分類算法
        5.3.1 算法思想
        5.3.2 創(chuàng)建遷移學(xué)習(xí)數(shù)據(jù)集
        5.3.3 算法實(shí)現(xiàn)
    5.4 實(shí)驗(yàn)結(jié)果分析
    5.5 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間參加科研情況及獲得的學(xué)術(shù)成果



本文編號(hào)：3817251