圖像分類是目前人工智能、模式識別領(lǐng)域的重要研究方向之一�；ɑ軋D像分類,是以花卉為目標(biāo),對圖像中的花卉進行生物學(xué)分類;其在植物物種研究與保護、園林花圃智能化管理中具有重要應(yīng)用價值。花卉圖像類別數(shù)量多、類間差異小、類內(nèi)差異大、背景復(fù)雜、樣本數(shù)量少,對其準(zhǔn)確分類往往難度較大。針對花卉圖像數(shù)據(jù)的這些特點,本文以深度模型、遷移學(xué)習(xí)和多任務(wù)學(xué)習(xí)為理論指導(dǎo),進行花卉圖像分類研究。主要工作內(nèi)容如下:（1）針對特征描述算子設(shè)計難度大、特征提取能力弱,以及深度模型結(jié)構(gòu)復(fù)雜、參數(shù)規(guī)模大、難以擬合小數(shù)據(jù)集的問題,提出基于深度模型遷移學(xué)習(xí)的細(xì)粒度圖像分類方法。首先,通過在粗粒度圖像數(shù)據(jù)集上進行預(yù)訓(xùn)練,使深度模型參數(shù)分布具備自然圖像特征提取能力;然后,對深度模型進行局部訓(xùn)練,使其在細(xì)粒度圖像數(shù)據(jù)集上進行遷移。實驗結(jié)果表明,在102類花卉圖像數(shù)據(jù)集上,分類準(zhǔn)確率達到96.27%;此外,在120類狗、200類鳥、37類貓和狗、196類汽車圖像數(shù)據(jù)集上,該方法亦分別得到72.23%、73.33%、86.00%、89.72%的圖像分類準(zhǔn)確率,具有較好的準(zhǔn)確性與泛化性能。（2）深度模型的訓(xùn)練往往需要非常大的數(shù)據(jù)規(guī)模、非常多... 

【文章來源】：河南師范大學(xué)河南省

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

深度模型訓(xùn)練示意圖

圖 2-2 LeNet 模型網(wǎng)絡(luò)結(jié)構(gòu)圖 2-2 中結(jié)構(gòu)主要分為 3部分：輸入層、卷積層、全連接層，輸入層輸入的為32 32 的灰度圖像，經(jīng)過卷積以及全連接后，降至 10 維的向量，即，該圖像為 0-9 數(shù)字的率組合。該結(jié)構(gòu)雖然僅有 4 層卷積，但與同期其他算法相比，對手寫字符的識別準(zhǔn)確為最優(yōu)。隨著計算能力的提高以及大數(shù)據(jù)的發(fā)展，出現(xiàn) AlexNet（AN）模型[15]。該模型網(wǎng)結(jié)構(gòu)，如圖 2-3 所示。

圖 2-2 LeNet 模型網(wǎng)絡(luò)結(jié)構(gòu)圖 2-2 中結(jié)構(gòu)主要分為 3部分：輸入層、卷積層、全連接層，輸入層輸入的為32 32 的灰度圖像，經(jīng)過卷積以及全連接后，降至 10 維的向量，即，該圖像為 0-9 數(shù)字的率組合。該結(jié)構(gòu)雖然僅有 4 層卷積，但與同期其他算法相比，對手寫字符的識別準(zhǔn)確為最優(yōu)。隨著計算能力的提高以及大數(shù)據(jù)的發(fā)展，出現(xiàn) AlexNet（AN）模型[15]。該模型網(wǎng)結(jié)構(gòu)，如圖 2-3 所示。

【參考文獻】：
期刊論文
[1]A brief introduction to weakly supervised learning[J]. Zhi-Hua Zhou.  National Science Review. 2018(01)
[2]A Survey on Deep Learning-based Fine-grained Object Classification and Semantic Segmentation[J]. Bo Zhao,Jiashi Feng,Xiao Wu,Shuicheng Yan.  International Journal of Automation and Computing. 2017(02)
[3]基于視覺的目標(biāo)檢測與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟.  自動化學(xué)報. 2016(10)
[4]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計算機學(xué)報. 2016(08)
[5]遷移學(xué)習(xí)研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報. 2015(01)
[6]圖像物體分類與檢測算法綜述[J]. 黃凱奇,任偉強,譚鐵牛.  計算機學(xué)報. 2014(06)



本文編號：3243177