圖像分類是計算機視覺的核心研究領(lǐng)域之一。在當今信息科技時代,人們在學習、掌握、運用信息時面臨著新的挑戰(zhàn)。信息處理和交流越來越復雜,信息的產(chǎn)生和傳播極其迅速,圖像數(shù)據(jù)每天以幾何級數(shù)的方式增長。對含有豐富信息的圖像的管理也要適應新的特點和新的模式。在上述背景和條件下,如何讓計算機更加高效地管理海量的圖像信息,以及對圖像數(shù)據(jù)實施更快速、更精確的分類是一項很重要的研究課題。本文基于寬度學習、深度學習、集成學習提出了以下優(yōu)化圖像分類效果的模型和方法:1.提出了一種基于隨機寬度學習網(wǎng)絡(luò)的圖像分類方法。首先利用隨機生成的正交矩陣提取輸入層的特征,構(gòu)成多層多分支神經(jīng)網(wǎng)絡(luò)的特征節(jié)點,然后根據(jù)稀疏自動編碼原理對提取的特征和期望輸出進行擬合,利用交替方向乘子法求解優(yōu)化每個節(jié)點的網(wǎng)絡(luò)參數(shù),最后對每個分支網(wǎng)絡(luò)和每層網(wǎng)絡(luò)的預測結(jié)果進行加權(quán),得到最終的分類結(jié)果。所提出的模型無深度結(jié)構(gòu),求解簡單,故訓練時間較短,同時獲得了較高的圖像分類準確率。2.提出了一種基于深度殘差網(wǎng)絡(luò)優(yōu)化模型的圖像分類方法。將多個擠壓激勵模塊分層引入殘差網(wǎng)絡(luò),通過對不同網(wǎng)絡(luò)層的特征圖分配權(quán)值,提高網(wǎng)絡(luò)的特征表征能力,采用交叉熵函數(shù)作為損失函數(shù)的...

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【部分圖文】：

圖4.8本章優(yōu)化模型在Cifar10數(shù)據(jù)集上的分類結(jié)果

西安電子科技大學碩士學位論文優(yōu)化之前的模型略低，可能是由于Cifar10數(shù)據(jù)集的訓練集和測試集中每一量相同，所以損失函數(shù)優(yōu)化沒有很好地起到防止過擬合的作用與其他算法確率比較，本章算法比ResNet110的分類準確率高，取得了較好的分類效章的優(yōu)化模型在Cifar10數(shù)....

圖4.9本章優(yōu)化模型在CUB200數(shù)據(jù)集上的分類結(jié)果

(c)ours2-50(d)ours2-100圖4.9本章優(yōu)化模型在CUB200數(shù)據(jù)集上的分類結(jié)果從圖4.9中可以看出大多數(shù)類別的分類準確率集中在平均分類準確率附近，說本章所提出的算法的有效性4.8本章小結(jié)本章首先介紹了殘差網(wǎng)絡(luò)和擠壓激勵網(wǎng)絡(luò)的基本結(jié)構(gòu)和理論....

圖5.3本章算法在Flowers102數(shù)據(jù)集上的分類結(jié)果

西安電子科技大學碩士學位論文，只修改預訓練的ResNet152權(quán)值參數(shù)SoftMax層在Flowers102數(shù)據(jù)集上的分類準確率，利用預訓練模的特征訓練編碼器，進行預測后得到res5c_relu層在率，利用預訓練模型res5a_relures5b_relu層....

圖5.4本章算法在CUB200數(shù)據(jù)集上的分類結(jié)果

表5.2本章算法在CUB200數(shù)據(jù)集上的分類結(jié)果比較算法準確率（%）Alignments[58]53.6AN-BGLm[54]60.5FC-CNN(VGG)[59]61.0ResNet15262.9ResNet152(res5c_relu)62.9ResNet15....

本文編號：3988235