發(fā)布時(shí)間：2021-03-29 06:52

　　刺繡作為中國傳統(tǒng)的手工技藝,是非物質(zhì)文化遺產(chǎn)不可或缺的一部分。本文針對蘇繡、蜀繡、粵繡、湘繡以及青海地區(qū)特有的土族盤繡五類刺繡圖像,利用深度學(xué)習(xí)的方法根據(jù)每種刺繡的不同風(fēng)格、圖案等因素,提取出相應(yīng)的圖像特征,對其進(jìn)行分類和識別,為刺繡圖像研究和數(shù)字化保護(hù)提供了依據(jù)。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）以其強(qiáng)大的圖像處理能力,被廣泛應(yīng)用于各種圖像分類系統(tǒng),并取得了顯著的成效。在圖像識別方面,以R-CNN為基礎(chǔ)的Faster R-CNN檢測算法近年來受到了越來越多的重視。與傳統(tǒng)的圖像處理算法相比,該類算法可以在復(fù)雜的刺繡圖像中提取更深層次的圖案特征,提高算法的魯棒性和識別準(zhǔn)確性。本文的研究工作主要體現(xiàn)如下方面:1.傳統(tǒng)機(jī)器學(xué)習(xí)算法對刺繡圖像的特征提取效果不理想,使得刺繡圖像分類的效率低下。本文提出了使用基于深度學(xué)習(xí)的AlexNet網(wǎng)絡(luò)進(jìn)行圖像分類,在AlexNet網(wǎng)絡(luò)中使用了ReLu激活函數(shù)和局部響應(yīng)歸一化（Local Response Normalization,LRN）,加入了Dropout層使得分類效果更好。在此基礎(chǔ)上加載了預(yù)訓(xùn)練模型參數(shù)... 

【文章來源】：青海師范大學(xué)青海省

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖

??淼腇astR-CNN和FasterR-CNN算法，它們都是基于RegionProposal的，需要首先產(chǎn)生確定目標(biāo)位置的候選框，其次針對候選框進(jìn)行分類確定類別，回歸確定位置，是two-stage。另一種是基于CNN的YOLO[33]，SSD[34]等，這類算法直接確定不同目標(biāo)的類別與位置，是one-stage，因而速度會優(yōu)于前一種算法，但準(zhǔn)確率低[35]。眾所周知，目標(biāo)檢測（ObjectDetection）的目的是確定物體的位置，并且標(biāo)注其類別。但實(shí)際進(jìn)行檢測任務(wù)時(shí)，物體的類別、尺寸、姿態(tài)、擺放位置以及出現(xiàn)在圖片中的位置都不盡相同。對于圖像識別，其主要任務(wù)如圖2-6所示。圖2-6圖像識別展示圖將圖像中的物體進(jìn)行識別是一方面，目標(biāo)檢測還要對物體的位置進(jìn)行確定。圖像識別好壞主要由準(zhǔn)確率進(jìn)行判斷。但對于定位，輸出內(nèi)容是檢測框的位置，通常用（x,y,w,h）四個(gè)參數(shù)的值對候選框的中心坐標(biāo)和寬高進(jìn)行表示。預(yù)測位置時(shí)其評估標(biāo)準(zhǔn)是IoU（intersection-over-union），用來判斷重合度，這一步使用CNN

青海師范大學(xué)碩士學(xué)位論文12完成，使用classification+regression模式進(jìn)行目標(biāo)檢測的方法如圖2-7所示。圖2-7圖像回歸示意圖2.4AlexNet的相關(guān)理論2.4.1卷積神經(jīng)網(wǎng)絡(luò)概述圖2-8展示了典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，主要由五部分構(gòu)成，分別為輸入層、卷積層、池化層、全連接層以及Softmax輸出層。在常見的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)模型中，常常疊加M個(gè)卷積層，然后在此基礎(chǔ)上選擇是否添加一個(gè)池化層，對這種卷積+池化的結(jié)構(gòu)重復(fù)N次，最后在末尾階段放置K個(gè)全連接層[36]。圖2-8卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)輸入層：一般來講，輸入層就是把圖像數(shù)據(jù)作為輸入，而圖像數(shù)據(jù)常常是用一個(gè)像素矩陣來表示，是卷積操作的直接數(shù)據(jù)。卷積層：卷積層是整個(gè)神經(jīng)網(wǎng)絡(luò)最重要的部分，卷積層解決了整個(gè)網(wǎng)絡(luò)中的大部分計(jì)算量。不同于一般的神經(jīng)網(wǎng)絡(luò)，CNN中的卷積層根據(jù)其特點(diǎn)通常被叫作特征提取層。輸入層或者池化層的輸出，是卷積層的輸入來源。卷積操作的實(shí)質(zhì)是矩陣之間的內(nèi)積再求和，最后得到目標(biāo)像素值，圖2-9是卷積操作的過程。

【參考文獻(xiàn)】：
期刊論文
[1]融合全局與局部特征的國畫圖像分類算法[J]. 李大湘,張玥.  現(xiàn)代計(jì)算機(jī). 2019(34)
[2]基于深度學(xué)習(xí)的圖像分類研究綜述[J]. 蘇賦,呂沁,羅仁澤.  電信科學(xué). 2019(11)
[3]基于高階殘差和參數(shù)共享反饋卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害識別[J]. 曾偉輝,李淼,李增,熊焰.  電子學(xué)報(bào). 2019(09)
[4]蜀繡制作工藝的數(shù)字化展示研究[J]. 孟慶琳.  美術(shù)教育研究. 2019(03)
[5]基于BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量模型分類預(yù)測研究[J]. 邱晨,羅璟,趙朝文,崔凱輝.  軟件. 2019(02)
[6]蘇繡文化保護(hù)與傳承研究[J]. 李清揚(yáng),趙曄.  開封教育學(xué)院學(xué)報(bào). 2019(01)
[7]湖南湘繡:飛針走線繪形神[J]. 王錦強(qiáng).  收藏界. 2018(06)
[8]基于改進(jìn)的AlexNet網(wǎng)絡(luò)模型的遙感圖像分類方法研究[J]. 周天順,黨鵬飛,謝輝.  北京測繪. 2018(11)
[9]國畫的藝術(shù)目標(biāo)分割及深度學(xué)習(xí)與分類[J]. 盛家川,李玉芝.  中國圖象圖形學(xué)報(bào). 2018(08)
[10]非物質(zhì)文化遺產(chǎn)的數(shù)字化保護(hù)與開發(fā)——以青海刺繡藝術(shù)為例[J]. 張效娟.  青海社會科學(xué). 2018(03)

碩士論文
[1]基于深度學(xué)習(xí)的真菌圖像分類算法研究[D]. 周院.西安理工大學(xué) 2019
[2]基于深度特征與手工特征融合的圖像檢索方法研究[D]. 李劍.東南大學(xué) 2019
[3]基于深度學(xué)習(xí)的衛(wèi)星圖像船只目標(biāo)檢測算法研究[D]. 王穎.北京郵電大學(xué) 2019
[4]基于深度學(xué)習(xí)的靜態(tài)圖像目標(biāo)檢測研究[D]. 嚴(yán)海.華北電力大學(xué) 2019
[5]中國傳統(tǒng)手工藝在現(xiàn)代設(shè)計(jì)中的應(yīng)用研究[D]. 韓雪梅.深圳大學(xué) 2018
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的鞋印圖像分類算法研究[D]. 張弛.大連海事大學(xué) 2016
[7]基于深度學(xué)習(xí)的目標(biāo)檢測算法研究及應(yīng)用[D]. 萬維.電子科技大學(xué) 2015
[8]基于分形特征的目標(biāo)檢測[D]. 李雪平.武漢科技大學(xué) 2010



本文編號：3107119