花卉植物是我們生活中不可缺少的一部分,在保護花卉植物的過程中如果只是單靠人力對花卉進行識別分類,那么將會花費大量的人力物力。如何利用機器自動的對花卉進行準確的分類,是當前需要解決的熱點問題�；ɑ軋D像的準確分類也是花卉植物管理走向人工智能的必要前提。深度神經(jīng)網(wǎng)絡(luò)在粗粒度圖像分類中已經(jīng)取得了不錯的分類效果,但是對于像花卉圖像這種精細圖像分類來說,深度神經(jīng)網(wǎng)絡(luò)在花卉圖像分類中取得的效果還不是很理想。因為花卉圖像屬于屬于花卉大類別下面的子類,存在著類內(nèi)差異大,類間差異小的特點,分類任務比較困難。本文以花卉圖像為研究對象,主要的研究內(nèi)容如下:（1）本文以Xception卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)網(wǎng)絡(luò),提出多損失空間注意力網(wǎng)絡(luò)、多損失通道注意力網(wǎng)絡(luò)、多損失多注意力網(wǎng)絡(luò)。結(jié)合Xception、空間注意力和通道注意力設(shè)計空間注意力殘差模塊、通道注意力殘差模塊和多注意力殘差模塊。在Xception中分別加入這三種模塊來加強對花卉圖像區(qū)域的定位和特征提取能力;同時網(wǎng)絡(luò)的損失層聯(lián)合三元組損失（triplet loss）和分類損失（softmax loss）,使網(wǎng)絡(luò)獲得一個同時具有較高的類內(nèi)緊致度和類間分離度的特征嵌... 

【文章來源】：貴州財經(jīng)大學貴州省

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

不同物種

21.2研究的難點傳統(tǒng)的圖像分類主要是粗粒度圖像的分類，粗粒度圖像之間的差異比較大，比如狗，馬，鳥等不同物種之間的分類，如圖1.1所示。他們區(qū)別于彼此的特征有很大的差異，這類分類任務比較簡單。圖1.1不同物種而花卉圖像分類屬于同一個物種下的不同子類之間的分類，這類分類任務比較困難，主要存在以下幾個難點：（1）類內(nèi)差異較大：首先同一類別的花卉可能有不同的顏色，比如圖1.2所示中同一種鳶尾花的顏色各不一樣，如果僅僅通過顏色來區(qū)分，很難判別他們是同一類花。其次同一類別的花卉不同的生長周期有著不同的姿態(tài)，比如圖1.3所示中的蓮花在生長初期花苞還處于未開放緊閉的狀態(tài)；到了蓮花的中期，花苞開始開放，此時處于半開的狀態(tài)；而到了后期，蓮花此時處于完全張開的狀態(tài)。蓮花的初中后期蓮花的形態(tài)完全不一樣，如果僅僅通過形態(tài)來區(qū)分，也很難判別他們是同一類別的花。（2）類間差異較�。翰煌悇e的花卉之間可能非常的相似，他們在顏色、形狀等特征上都很接近，而區(qū)別于彼此的往往是花卉圖像的一個局部區(qū)域之間的差異；比如圖1.4所示中的蒲公英和款冬是不同的類別的花卉，但是他們在顏色和形態(tài)上都非常的相似，我們要經(jīng)過仔細辨認和對比才能區(qū)分他們。（3）背景干擾：對花卉進行拍攝時，都會不可避免的混入一些其他不相關(guān)的景物；比如其他植物的葉片、花卉旁邊的雜草等，在對花卉區(qū)域進行特征提取產(chǎn)生干擾；同時光照的角度和光線的強弱在對花卉進行顏色特征提取時也會產(chǎn)生干擾。如圖1.5所示。圖1.2不同顏色的鳶尾花

3圖1.3不同時期的蓮花（a）蒲公英（b）款冬圖1.4蒲公英和款冬之間的相似性圖1.5復雜的背景如果將傳統(tǒng)的圖像分類方法用于花卉圖像的分類，分類的效果往往不是很好，所以對于這種花卉圖像類內(nèi)差異大、類間差異小的特征，需要在傳統(tǒng)的圖像分類方法上做進一步改進，設(shè)計一種能準確分類內(nèi)差異大、類間差異小的特征的圖像分類方法。1.3國內(nèi)外研究現(xiàn)狀最開始的時候，在花卉圖像的分類研究上，人們主要是利用人工設(shè)計特征算法進行花卉的分類，取得了一定的效果；后來隨著深度學習取得的巨大成功，人們開始嘗試利用深度學習方法進行花卉圖像分類研究，并且取得的效果遠高于人工設(shè)計特征算法。1.3.1早期花卉圖像分類研究早時間的花卉圖像分類首先是將花卉圖像區(qū)域單獨分割出來，消除掉無關(guān)的背景信息，只留下對分類有幫助的花卉區(qū)域信息，之后再由人工設(shè)計的特征算法提取花卉區(qū)域信息，最后把提取到的特征信息送入分類器進行分類，完成整個花

【參考文獻】：
期刊論文
[1]注意力機制在深度學習中的研究進展[J]. 朱張莉,饒元,吳淵,祁江楠,張鈺.  中文信息學報. 2019(06)
[2]聚焦——識別網(wǎng)絡(luò)架構(gòu)的細粒度圖像分類[J]. 王永雄,張曉兵.  中國圖象圖形學報. 2019(04)
[3]基于顯著性檢測和遷移學習的花卉圖像分類[J]. 吳迪,劉秀磊,侯凌燕,劉旭紅,李紅臣.  北京信息科技大學學報(自然科學版). 2019(01)
[4]改進Softmax分類器的深度卷積神經(jīng)網(wǎng)絡(luò)及其在人臉識別中的應用[J]. 冉鵬,王靈,李昕,劉鵬偉.  上海大學學報(自然科學版). 2018(03)

碩士論文
[1]基于注意力機制的圖像分類深度學習方法研究[D]. 王培森.中國科學技術(shù)大學 2018
[2]基于雙目視覺的指靜脈識別系統(tǒng)設(shè)計與實現(xiàn)[D]. 王子謙.電子科技大學 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究[D]. 王雙印.蘭州理工大學 2017
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D]. 郭田梅.濟南大學 2017
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的花卉圖像分類算法的研究[D]. 劉園園.華北電力大學(北京) 2017
[6]面向花卉圖像的精細圖像分類研究[D]. 謝曉東.廈門大學 2014
[7]卷積神經(jīng)網(wǎng)絡(luò)及其應用[D]. 李飛騰.大連理工大學 2014



本文編號：3441320