圖像分類是計算機視覺領域的主要研究內容,隨著深度學習的不斷發(fā)展,人們利用大規(guī)模數(shù)據(jù)訓練出不同的深度學習模型,這些模型可以在圖像分類任務中取得較好的結果。但在實際應用中,有些圖像類別的樣本數(shù)量較少,難以訓練出一個較好的模型,并且人們希望在遇到新的類別時不必重新訓練模型。為解決上述問題,研究人員提出了零樣本學習這一概念,即研究訓練類與測試類互異的分類問題。目前,零樣本圖像分類任務取得了一定進展,但在訓練類與測試類之間建立聯(lián)系較為困難。為解決這一問題,本文通過生成對抗網絡將訓練類別的特征表示用于生成測試類別的特征表示,零樣本圖像分類任務便轉換成了經典的圖像分類任務。本文的主要工作如下:(1)基于特征生成對抗網絡的零樣本圖像分類:本工作利用生成對抗網絡來解決零樣本圖像分類問題,分別改進生成對抗網絡中的生成網絡以及判別網絡,并設計出基于特征判別的特征生成對抗網絡(Feature Discrimination Based on Feature Generative Adversarial Networks,FD-fGAN)模型,該模型能夠同時解決經典零樣本圖像分類問題以及廣義零樣本圖像分類問題。實驗結果表明,FD-fGAN網絡模型在多個數(shù)據(jù)集下的分類準確率均高于當前已有的零樣本圖像分類模型。(2)融入注意力機制的零樣本圖像分類:本工作將注意力機制融入圖像特征生成過程,設計出FD-fGAN-Attention網絡模型,以提高生成圖像特征的質量,從而得到更高的零樣本圖像分類準確率。實驗結果表明在類別間的差異較小時,融入注意力機制能夠進一步提高零樣本圖像分類模型的性能。
【學位單位】：內蒙古大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：TP391.41;TP183
【部分圖文】：

基于生成對抗網絡的零樣本圖像分類研究我們將這一學習過程比作一個孩子學習新事物的過程。如圖1.1所示，若一個孩子從未見過鴨嘴獸，但對鴨子和鼴鼠比較了解，通過父母的描述孩子了解到鴨嘴獸有鴨子一樣的扁嘴和有蹼的腳、鼴鼠一樣毛茸茸的身體以及松鼠一樣毛茸茸的尾巴。孩子通過這些描述以及自己對鴨子和鼴鼠的認知，便會學習到鴨嘴獸的大致樣貌，在下一次見到鴨嘴獸時便可以識別出來。在以上過程中，鴨子、鼴鼠和松鼠是已知類別，“扁嘴”、“有蹼的腳”、“毛茸茸的身體”和“毛茸茸的尾巴”等屬性是已知類別的語義描述，且這些語義描述與未知類別相關聯(lián)，由已知類別和語義描述便可以識別出未知類別“鴨嘴獸”。已知類別語義描述未知類別扁嘴和有蹼的腳毛茸茸的身體毛茸茸的尾巴圖1.1零樣本學習示意圖Figure1.1Thediagramofzero-shotlearning在零樣本學習任務中，最主要的任務便是圖像分類。零樣本圖像分類可以利用已有的圖像樣本來對新產生的圖像樣本進行標記，避免了以往的人工手動標注，減少了人力物力的消耗，從而促進了人工智能的發(fā)展。同時，通過對零樣本圖像分類的研究，可以在智能識別珍稀物種以及智能識別罕見病灶等方面做出巨大貢獻。因此對零樣本圖像分類的研究具有非常重要的意義和應用價值。1.2生成對抗網絡的發(fā)展與現(xiàn)狀受博弈論中雙人零和博弈的啟發(fā)，在2014年Goodfellow等人提出了生成對抗網絡（GenerativeAdversarialNetworks，GANs）[9]，它由生成網絡和判別網絡兩部分組成，通過2

內蒙古大學碩士學位論文該數(shù)據(jù)集在2009年由Lampert等人構建，它由50個動物類別共30475幅圖像組成，且每個類別都有85個不同的屬性，這些屬性信息以one-hot編碼的形式存儲。該數(shù)據(jù)集是一個粗粒度的動物圖像數(shù)據(jù)集，其中每個類之間的差距較為明顯，其示例如圖3.3所示。dolphincolliepanda圖3.3AWA數(shù)據(jù)集示例Figure3.3ExamplesofAWAdataset（2）CUB數(shù)據(jù)集該數(shù)據(jù)集在2010年由加州理工學院構建，它由200個不同鳥類共11788幅圖像組成，且每個類別都有312個不同的屬性。CUB數(shù)據(jù)集與ImageNet數(shù)據(jù)集重合，且該數(shù)據(jù)集是一個細粒度的鳥類圖像數(shù)據(jù)集，其中每個類之間的差異較小，相比AWA數(shù)據(jù)集更具有挑戰(zhàn)性，其示例如圖3.4所示。Groove-billedAniSootyAlbatrossWhite-breastedKingfisher圖3.4CUB數(shù)據(jù)集示例Figure3.4ExamplesofCUBdataset（3）SUN數(shù)據(jù)集19

內蒙古大學碩士學位論文該數(shù)據(jù)集在2009年由Lampert等人構建，它由50個動物類別共30475幅圖像組成，且每個類別都有85個不同的屬性，這些屬性信息以one-hot編碼的形式存儲。該數(shù)據(jù)集是一個粗粒度的動物圖像數(shù)據(jù)集，其中每個類之間的差距較為明顯，其示例如圖3.3所示。dolphincolliepanda圖3.3AWA數(shù)據(jù)集示例Figure3.3ExamplesofAWAdataset（2）CUB數(shù)據(jù)集該數(shù)據(jù)集在2010年由加州理工學院構建，它由200個不同鳥類共11788幅圖像組成，且每個類別都有312個不同的屬性。CUB數(shù)據(jù)集與ImageNet數(shù)據(jù)集重合，且該數(shù)據(jù)集是一個細粒度的鳥類圖像數(shù)據(jù)集，其中每個類之間的差異較小，相比AWA數(shù)據(jù)集更具有挑戰(zhàn)性，其示例如圖3.4所示。Groove-billedAniSootyAlbatrossWhite-breastedKingfisher圖3.4CUB數(shù)據(jù)集示例Figure3.4ExamplesofCUBdataset（3）SUN數(shù)據(jù)集19
【相似文獻】

相關期刊論文 前10條

1 孫曦音;封化民;劉飚;張健毅;;基于GAN的對抗樣本生成研究[J];計算機應用與軟件;2019年07期

2 賈俊杰;李捷;;基于半監(jiān)督生成對抗網絡的病蟲害圖像識別算法[J];武漢輕工大學學報;2019年04期

3 龔子超;鄒福泰;;基于生成對抗網絡的惡意樣本識別模型[J];通信技術;2020年06期

4 許少尉;陳思宇;;基于深度學習的圖像分類方法[J];電子技術應用;2018年06期

5 鄭譽煌;戴冰燕;熊澤琿;陳釗;;基于遷移學習的可回收生活垃圾圖像分類識別研究[J];廣東第二師范學院學報;2020年03期

6 楊涵方;周向東;;基于深度稀疏辨別的跨領域圖像分類[J];計算機工程;2018年04期

7 謝小紅;陸建波;李文韜;劉春霞;黃華梅;;基于遷移學習的服裝圖像分類模型研究[J];計算機應用與軟件;2020年09期

8 張晨;杜剛;杜雪濤;;深度模型集成的不良圖像分類[J];北京交通大學學報;2017年06期

9 張嘉楠;趙鎮(zhèn)東;宣晶;常曉林;;深度學習對抗樣本的防御方法綜述[J];網絡空間安全;2019年08期

10 謝小紅;李文韜;;基于遷移學習的圖像分類訓練方法研究[J];信息與電腦(理論版);2020年07期

相關博士學位論文 前10條

1 王丹;基于無監(jiān)督與半監(jiān)督框架的醫(yī)學圖像分類關鍵技術研究[D];吉林大學;2020年

2 張璐;基于深度空間特征學習的極化SAR圖像分類[D];西安電子科技大學;2019年

3 楊寶慶;基于字典學習的圖像分類算法及應用研究[D];上海交通大學;2017年

4 唐芃;基于弱監(jiān)督學習的物體檢測及其在圖像分類中的應用[D];華中科技大學;2019年

5 鄭昱;面向大規(guī)模圖像分類的層次化多任務學習算法研究[D];西安電子科技大學;2017年

6 郭雨薇;基于超像素表征和模糊特征學習的圖像分類與識別[D];西安電子科技大學;2017年

7 李曉;基于遷移學習的跨域圖像分類方法研究[D];西安電子科技大學;2017年

8 滑文強;小樣本下的極化SAR圖像分類問題研究[D];西安電子科技大學;2018年

9 張姝茵;基于判別性特征學習的極化SAR圖像分類[D];西安電子科技大學;2018年

10 丁擁科;基于先驗信息輔助的高分辨率SAR圖像分類方法研究[D];上海交通大學;2017年

相關碩士學位論文 前10條

1 張越;基于生成對抗網絡的零樣本圖像分類研究[D];內蒙古大學;2020年

2 陳海強;基于語義知識的零樣本圖像分類方法研究[D];電子科技大學;2020年

3 陳晨;基于深度學習及知識挖掘的零樣本圖像分類[D];中國礦業(yè)大學;2016年

4 楊曉杰;基于度量學習的少樣本圖像分類研究[D];河北師范大學;2020年

5 尹安琪;基于因素空間的零樣本圖像分類技術研究[D];沈陽理工大學;2020年

6 仇銀萍;基于神經網絡的小樣本圖像分類方法研究[D];蘭州理工大學;2020年

7 蔣凱;一種關于對抗樣本恢復的容忍機制[D];上海交通大學;2019年

8 張海濤;基于不平衡樣本集的白細胞圖像分類方法的研究與實現(xiàn)[D];吉林大學;2020年

9 李程帥;小樣本圖像分類與生成算法實現(xiàn)與性能分析[D];山東大學;2020年

10 張春磊;基于稀疏深度學習的圖像分類研究[D];華北理工大學;2017年

本文編號：2865966