發(fā)布時(shí)間：2020-12-11 17:58

　　圖像信息包含了大量的信息而且內(nèi)容通俗易懂簡(jiǎn)潔明了。在社會(huì)飛速發(fā)展互聯(lián)網(wǎng)技術(shù)迅速提升的當(dāng)今社會(huì),圖像數(shù)據(jù)成為工業(yè)界和科研界一個(gè)十分重要的研究?jī)?nèi)容。而在當(dāng)下最為熱門(mén)的方向之一計(jì)算機(jī)視覺(jué)中,圖像的分類(lèi)識(shí)別是計(jì)算機(jī)視覺(jué)的基礎(chǔ)和最為重要的部分之一。圖像場(chǎng)景分類(lèi)是圖像分類(lèi)中一個(gè)重要的方向。而針對(duì)場(chǎng)景分類(lèi)問(wèn)題最為著名的兩個(gè)方向是自然場(chǎng)景分類(lèi)和遙感影像場(chǎng)景分類(lèi)。本文針對(duì)這兩個(gè)主要方向進(jìn)行分類(lèi)實(shí)驗(yàn)。首先使用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)LeNet-5,AlexNet-4和VGGNet-16對(duì)自然場(chǎng)景分類(lèi)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),分析實(shí)驗(yàn)結(jié)果得出VGGNet-16的實(shí)驗(yàn)結(jié)果較好。然后選用集成學(xué)習(xí)方法與VGGNet-16進(jìn)行結(jié)合構(gòu)造出Ada-VGG16和RF-VGG16,對(duì)比實(shí)驗(yàn)結(jié)果并選用RF-VGG16將其改造成為淺層卷積神經(jīng)網(wǎng)絡(luò)RF-VGG6,并通過(guò)對(duì)比幾個(gè)卷積神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果得到本文所提出的新的基于集成學(xué)習(xí)的淺層卷積神經(jīng)網(wǎng)絡(luò)RF-VGG6實(shí)驗(yàn)分類(lèi)準(zhǔn)確率良好并且實(shí)驗(yàn)效率高,是一個(gè)適用于自然圖像場(chǎng)景分類(lèi)的模型。然后使用場(chǎng)景分類(lèi)的另一重要方向遙感場(chǎng)景分類(lèi)數(shù)據(jù)集對(duì)提出的RF-VGG6模型進(jìn)行驗(yàn)證,得到的實(shí)驗(yàn)結(jié)果較好。得出該模型對(duì)于場(chǎng)景... 

【文章來(lái)源】：江西財(cái)經(jīng)大學(xué)江西省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

scene-15部分?jǐn)?shù)據(jù)

第3章RF-VGG6在自然場(chǎng)景分類(lèi)的實(shí)證分析33得到RF-VGG6的精度變化如圖3.3所示。圖3.3RF-VGG6精度變化RF-VGG6的損失變化如圖3.4所示。圖3.4RF-VGG6損失變化并與該淺層卷積神經(jīng)網(wǎng)絡(luò)與同為淺層卷積神經(jīng)網(wǎng)絡(luò)的LeNet-5和AlexNet-4所

RF-VGG6損失變化

【參考文獻(xiàn)】：
博士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的腫瘤圖像分析與處理[D]. 昌杰.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)方法研究及應(yīng)用[D]. 高震宇.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[3]遙感圖像場(chǎng)景深度學(xué)習(xí)與應(yīng)用研究[D]. 李二珠.南京大學(xué) 2017
[4]基于機(jī)器視覺(jué)的奶牛個(gè)體信息感知及行為分析[D]. 趙凱旋.西北農(nóng)林科技大學(xué) 2017
[5]基于遷移學(xué)習(xí)與深度卷積特征的圖像標(biāo)注方法研究[D]. 宋光慧.浙江大學(xué) 2017
[6]基于隨機(jī)森林的視覺(jué)數(shù)據(jù)分類(lèi)關(guān)鍵技術(shù)研究[D]. 張乾.華南理工大學(xué) 2016

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的場(chǎng)景分類(lèi)算法研究[D]. 蘇亞偉.南昌航空大學(xué) 2018
[2]光譜和空間特征聯(lián)合的高光譜遙感影像多分類(lèi)器集成方法[D]. 鮑蕊.南京大學(xué) 2016



本文編號(hào)：2910980