本文關鍵詞：基于深度神經(jīng)網(wǎng)絡的場景分類方法研究

  更多相關文章： 場景分類 自編碼 卷積神經(jīng)網(wǎng)絡 深度學習

【摘要】：場景分類,或場景識別,是場景理解領域一個重要的研究方向,其依據(jù)就是按照人類視覺的組織原理,將不同的場景圖像按照其語義信息劃為不同的類別。在場景分類領域,一直都是采取人工提取圖像特征的方式,這種方式提取特征單一,不能很好描述各類場景,導致場景分類精度較低低。深度學習理論是建立在人工智能的基礎之上,能夠有效的描述圖像的語義信息,準確地判斷場景與場景和目標與目標之間的差異性和相似性。基于此種原因,本文采用深度神經(jīng)網(wǎng)絡的方法去自適應提取圖像特征。分別采用自編碼神經(jīng)網(wǎng)絡、人工神經(jīng)網(wǎng)絡以及卷積神經(jīng)網(wǎng)絡等模型來構造場景分類的方法,并在原來框架的基礎之上進行改進。本文構造了一種新的基于自編碼網(wǎng)絡的分類方法用來識別室內(nèi)場景。傳統(tǒng)的人工神經(jīng)網(wǎng)絡在一些簡單的識別領域中,如車牌識別和手寫字符識別,取得了較好的識別效果,但是應用到場景識別中,識別效果不是很理想。針對這種情況,采用一種基于自編碼神經(jīng)網(wǎng)絡由粗到精的分類方法,粗分類主要采用自編碼神經(jīng)網(wǎng)絡進行預訓練,人工神經(jīng)網(wǎng)絡粗識別;細分類則采用支持向量機進行分類,HOG特征作為圖像描述子,并在MIT-67室內(nèi)場景數(shù)據(jù)集上進行驗證。本文構造了一種新的卷積神經(jīng)網(wǎng)絡框架。傳統(tǒng)卷積神經(jīng)網(wǎng)絡網(wǎng)絡結構規(guī)模較小,采用單標簽值的方式進行監(jiān)督訓練,這種單標簽的機制只適合表示簡單的圖像類別,不足以表示復雜場景的類別。針對這種問題,本文在傳統(tǒng)卷積神經(jīng)網(wǎng)絡框架的基礎上進行改進,卷積層和采樣層分別采用Re Lu激活函數(shù)和Maxpooling采樣,設有四個卷積層和四個采樣層,一個全連接層,一個分類層,并采用一種多標簽值的標簽進行訓練。整個訓練和識別過程采用一個統(tǒng)一的框架,并在Scene-15場景集上進行驗證。本文利用MATLAB2014B+Deep Learning master來完成實驗設計,在自編碼神經(jīng)網(wǎng)絡和人工神經(jīng)網(wǎng)絡的訓練中,使用了L-BFGS算法庫來調(diào)整權值。本文提出的兩種方法分別用于室內(nèi)場景和自然場景的分類與識別。由粗到精的分類方法更符合人類認識事物的規(guī)律,并且采用自編碼神經(jīng)網(wǎng)絡預訓練;卷積神經(jīng)網(wǎng)絡處理圖像的方式和生物視覺相類似,采用擴展的網(wǎng)絡結構和多標簽值機制來改造網(wǎng)絡。最后,本文的兩種方法的測試結果與其他文獻進行了比較,結果證明本文的方法具有一定效果。
【關鍵詞】：場景分類 自編碼 卷積神經(jīng)網(wǎng)絡 深度學習
【學位授予單位】：南昌航空大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP183
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 第1章 緒論8-18
• 1.1 場景分類研究背景和意義8-10
• 1.2 場景分類國內(nèi)外研究現(xiàn)狀10-16
• 1.2.1 圖像特征層次化描述11-13
• 1.2.2 場景分類的一般方法13-15
• 1.2.3 場景分類的一般模型15-16
• 1.3 研究內(nèi)容和創(chuàng)新點16
• 1.4 本文的組織結構16-18
• 第2章 HOG特征和機器學習理論18-28
• 2.1 方向梯度直方圖(HOG)特征描述18-20
• 2.1.1 Gamma和顏色歸一化18
• 2.1.2 計算梯度和方向18-19
• 2.1.3 在每個cells內(nèi)構建梯度直方圖19-20
• 2.1.4 塊內(nèi)歸一化梯度直方圖20
• 2.2 神經(jīng)網(wǎng)絡理論20-24
• 2.2.1 神經(jīng)網(wǎng)絡模型21-22
• 2.2.2 反向傳播算法22-24
• 2.3 支持向量機理論24-27
• 2.3.1 分類理論25-26
• 2.3.2 核函數(shù)26-27
• 2.4 本章小結27-28
• 第3章 基于深度自編碼網(wǎng)絡由粗到精的場景分類28-38
• 3.1 引言28
• 3.2 相關工作28-30
• 3.3 本章由粗到精的分類方法30-35
• 3.3.1 粗分類訓練31-34
• 3.3.2 細分類34-35
• 3.4 實驗數(shù)據(jù)和結果35-36
• 3.4.1 實驗參數(shù)設置35
• 3.4.2 實驗環(huán)境和結果35-36
• 3.4.3 實驗結果分析36
• 3.5 本章小結36-38
• 第4章 基于新型標簽機制卷積神經(jīng)網(wǎng)絡的場景分類38-48
• 4.1 引言38-39
• 4.2 相關工作39-40
• 4.3 經(jīng)典卷積神經(jīng)網(wǎng)絡結構40-41
• 4.3.1 卷積層41
• 4.3.2 采樣層41
• 4.4 本章網(wǎng)絡結構和標簽41-43
• 4.4.1 本章卷積層和采樣層42
• 4.4.2 本章分類層和標簽42-43
• 4.5 實驗和結果43-47
• 4.5.1 數(shù)據(jù)集的選取和處理43-44
• 4.5.2 實驗設計44
• 4.5.3 實驗結果44-46
• 4.5.4 結果分析46-47
• 4.6 本章小結47-48
• 第5章 總結與展望48-50
• 5.1 本文工作總結48-49
• 5.2 今后研究方向49-50
• 參考文獻50-56
• 攻讀碩士期間發(fā)表的論文和參加科研情況56-57
• 致謝57-58

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 云中客;新的神經(jīng)網(wǎng)絡來自于仿生學[J];物理;2001年10期

2 唐春明,高協(xié)平;進化神經(jīng)網(wǎng)絡的研究進展[J];系統(tǒng)工程與電子技術;2001年10期

3 李智;一種基于神經(jīng)網(wǎng)絡的煤炭調(diào)運優(yōu)化方法[J];長沙鐵道學院學報;2003年02期

4 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡及其應用研究[J];計算機工程與應用;2004年21期

5 王凡,孟立凡;關于使用神經(jīng)網(wǎng)絡推定操作者疲勞的研究[J];人類工效學;2004年03期

6 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡[J];統(tǒng)計教育;2005年06期

7 趙奇 ,劉開第 ,龐彥軍;灰色補償神經(jīng)網(wǎng)絡及其應用研究[J];微計算機信息;2005年14期

8 袁婷;;神經(jīng)網(wǎng)絡在股票市場預測中的應用[J];軟件導刊;2006年05期

9 尚晉;楊有;;從神經(jīng)網(wǎng)絡的過去談科學發(fā)展觀[J];重慶三峽學院學報;2006年03期

10 楊鐘瑾;;神經(jīng)網(wǎng)絡的過去、現(xiàn)在和將來[J];青年探索;2006年04期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡的新機遇——紀念中國神經(jīng)網(wǎng)絡10周年[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡與圖論[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產(chǎn)品的神經(jīng)網(wǎng)絡釋用預報應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

中國重要報紙全文數(shù)據(jù)庫 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

8 劉力;我半導體神經(jīng)網(wǎng)絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡應用研究通過鑒定[N];中國船舶報;2006年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 楊旭華;神經(jīng)網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡的混沌性及幾類時滯神經(jīng)網(wǎng)絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關鍵技術研究[D];東南大學;2015年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 陳少吉;基于神經(jīng)網(wǎng)絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

2 張韜;幾類時滯神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];渤海大學;2015年

3 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡的穩(wěn)定性分析[D];渤海大學;2015年

4 胡婷;改進QGA-BP模型及其在彌苴河總氮量預測中的應用[D];昆明理工大學;2015年

5 劉俊輝;基于數(shù)據(jù)清洗方法的河道水位預測研究[D];昆明理工大學;2015年

6 劉波;短期風電功率預測方法研究[D];南京信息工程大學;2015年

7 蔡邦宇;人臉識別中單次ERP時空特征分析及其快速檢索的應用[D];浙江大學;2015年

8 鄭川;垃圾評論檢測算法的研究[D];西南交通大學;2015年

9 李菊;BP神經(jīng)網(wǎng)絡在房地產(chǎn)批量評估中的應用研究[D];昆明理工大學;2015年

10 馬亮;降水點分類預測方法研究[D];中國地質(zhì)大學(北京);2015年

，

本文編號：872917