少數(shù)民族傳統(tǒng)文化在中華民族文化發(fā)展的歷史進程中扮演著非常重要的角色。然而隨著社會現(xiàn)代化進程的加快,少數(shù)民族傳統(tǒng)文化正在逐漸消失,這使得越來越多的學者開始重視傳統(tǒng)少數(shù)民族文化的保護。少數(shù)民族服飾作為少數(shù)民族文化中的重要組成部分,對其進行數(shù)字化處理及應用,無疑是實現(xiàn)少數(shù)民族服飾文化保護與傳承的有效途徑之一。本文主要對少數(shù)民族服飾圖像處理關鍵技術進行了研究,旨在探索少數(shù)民族服飾數(shù)字化應用的有效途徑,為相關領域的研究提供技術支持。本文的主要研究內(nèi)容包括以下三個方面:(1)少數(shù)民族服飾花紋圖案檢測方法研究。提出一種基于改進的HOG+SVM少數(shù)民族服飾花紋圖案檢測算法,首先通過圖像分割和灰度化處理構建少數(shù)民族服飾花紋圖案正負圖像集,對傳統(tǒng)的HOG特征提取算法進行優(yōu)化,并提取少數(shù)民族服飾花紋圖案圖像特征,并將其作為SVM分類模型的輸入來訓練生成檢測器,最終實現(xiàn)少數(shù)民族服飾花紋圖案的檢測。(2)少數(shù)民族服飾圖像匹配方法研究。提出一種基于K-Means+CPD的少數(shù)民族服飾圖像匹配算法,以檢測得到的花紋圖案作為匹配圖像,首先采用K-Means算法對圖像特征點集進行聚類提高匹配精度,然后通過CPD算法對少數(shù)民族服飾數(shù)據(jù)集中的待匹配圖像進行匹配,最后通過多組對比實例和分析驗證了所提方法在少數(shù)民族服飾圖像匹配中的有效性。(3)少數(shù)民族服飾圖像識別方法研究。首先構建了包含佤族和彝族的7000余幅訓練和測試圖像集,然后基于TensorFlow深度學習框架將深度卷積網(wǎng)絡VGG模型遷移到少數(shù)民族服飾識別任務中,并通過與其它深度神經(jīng)網(wǎng)絡結(jié)構進行對比分析,反復迭代對比各個神經(jīng)網(wǎng)絡模型的損失和識別準確率,并對網(wǎng)絡模型的參數(shù)進行優(yōu)化從而實現(xiàn)少數(shù)民族服飾圖像的分類識別。
【學位單位】：云南師范大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：TP183;TS941.742.8;TP391.41
【部分圖文】：

最大池化下采樣

第2章相關理論及技術13所以我們會在卷積層后面引入激活函數(shù)。對于多層的神經(jīng)網(wǎng)絡結(jié)構我們需要使用激活函數(shù)，使每一層神經(jīng)網(wǎng)絡結(jié)構都有所不同并能夠進行非線性表達。所以我們需要引入非線性的函數(shù)作為激活函數(shù)，南京郵電大學的曲之琳[54]等人在基于改進激活函數(shù)的卷積神經(jīng)網(wǎng)絡研究中提到經(jīng)典的激活函數(shù)有Sigmoid激活函數(shù)、Tanh激活函數(shù)和Relu函數(shù)等。目前使用范圍較為廣泛的非線性激活函數(shù)是Sigmoid激活函數(shù)，其函數(shù)的圖像是一個S型。它輸入一個實數(shù)值并將實數(shù)的值壓縮到0到1的范圍之內(nèi)，對函數(shù)中間的區(qū)域增長幅度較大，而函數(shù)兩邊的區(qū)域增長幅度較校Sigmoid激活函數(shù)輸出的值是有界的可以為神經(jīng)網(wǎng)絡帶來非線性，但是Sigmoid激活函數(shù)飽和時梯度值非常小，所以當網(wǎng)絡層數(shù)較深時容易出現(xiàn)梯度消失。如圖2.2所示，Sigmoid激活函數(shù)的形式是一種指數(shù)函數(shù)形式，其數(shù)學表達式如公式2.6所示：xexf11)((2.6)圖2.2Sigmoid激活函數(shù)Tanh激活函數(shù)在神經(jīng)網(wǎng)絡模型的構建中也經(jīng)常使用，它也是S型非線性激活函數(shù)，同Sigmoid函數(shù)相比較Tanh函數(shù)解決了Sigmoid的輸出是不是零中心的問題，可以延遲飽和期性能和容錯能力相對較好，但仍然存在飽和問題。Tanh函數(shù)輸入一個實數(shù)值并將實數(shù)的值壓縮到-1到1的范圍之內(nèi)，對函數(shù)中間的區(qū)域增長幅度較大，而函數(shù)兩邊的區(qū)域增長幅度較校Tanh激活函數(shù)輸出的值是

第2章相關理論及技術14有界的也可以為神經(jīng)網(wǎng)絡帶來非線性，這個特性使得其收斂速度比Sigmoid函數(shù)更快。但它也存在梯度彌散的問題，隨著Sigmoid、Tanh函數(shù)在神經(jīng)網(wǎng)絡模型中的廣泛使用為了防止飽和，需要盡量的保證每一層網(wǎng)絡的輸入能夠具有較小的均值和零中心分布，可以在激活函數(shù)前多做一步batchnormalization。也可以通過在神經(jīng)元輸入時抑制部分神經(jīng)元，從而提高學習的精度。經(jīng)過具體實際的使用也表明不管是Sigmoid還是Tanh都存在極大的局限性。Tanh函數(shù)形式如圖2.3所示，其數(shù)學表達式如公式2.7所示：xxeexf2211)((2.7)圖2.3Tanh激活函數(shù)ReLu激活函數(shù)同Tanh激活函數(shù)和Sigmoid激活函數(shù)一樣，都是屬于非線性的激活函數(shù)，但是ReLu激活函數(shù)的收斂速度更快。ReLu激活函數(shù)的倒數(shù)在正數(shù)的部分恒等于1，負數(shù)的部分為0。在ReLu激活函數(shù)中沒有指數(shù)的運算，所以計算的速度更快，可以加快網(wǎng)絡的訓練。由于ReLu函數(shù)的倒數(shù)在正數(shù)的部分都為1，所以在網(wǎng)絡中使用不會導致梯度消失等問題可以使網(wǎng)絡模型的收斂速度更加地穩(wěn)定。但在網(wǎng)絡反向傳播的過程中如果梯度過大會導致更多的負數(shù)，而負數(shù)的倒數(shù)都為0，所以會引起反向傳播的部分神經(jīng)元無法激活和權重無法更新等問題，使神經(jīng)元進入失活狀態(tài)。在具體的使用中我們可以通過設置學習率的大小來解決這一問題。ReLU激活函數(shù)形式如圖2.4所示，其數(shù)學表達式為：xxMaxf),0()((2.8)
【參考文獻】

相關期刊論文 前10條

1 宋俊華;王明月;;我國非物質(zhì)文化遺產(chǎn)數(shù)字化保護的現(xiàn)狀與問題分析[J];文化遺產(chǎn);2015年06期

2 周海珍;熊登峰;;關于直方圖均衡化算法在圖像灰度處理中的應用研究[J];科技創(chuàng)新與應用;2015年32期

3 王振;高茂庭;;基于卷積神經(jīng)網(wǎng)絡的圖像識別算法設計與實現(xiàn)[J];現(xiàn)代計算機(專業(yè)版);2015年20期

4 陳金廣;曹春梅;任冰青;馬麗麗;;特征提取與匹配算法在民族服飾圖案上的應用研究[J];絲綢;2015年05期

5 王千;王成;馮振元;葉金鳳;;K-means聚類算法研究綜述[J];電子設計工程;2012年07期

6 何俊;葛紅;王玉峰;;圖像分割算法研究綜述[J];計算機工程與科學;2009年12期

7 王愛平;張功營;劉方;;EM算法研究與應用[J];計算機技術與發(fā)展;2009年09期

8 雷小鋒;謝昆青;林帆;夏征義;;一種基于K-Means局部最優(yōu)性的高效聚類算法[J];軟件學報;2008年07期

9 梁小利;孫洪淋;;基于線性插值算法的圖像縮放及實現(xiàn)[J];長沙通信職業(yè)技術學院學報;2008年02期

10 岳佳;王士同;;高斯混合模型聚類中EM算法及初始化的研究[J];微計算機信息;2006年33期

相關碩士學位論文 前10條

1 李承珊;基于深度卷積神經(jīng)網(wǎng)絡的圖像語義分割研究[D];中國科學院大學(中國科學院光電技術研究所);2019年

2 王璞;彩色圖像灰度化算法改進研究[D];西北大學;2019年

3 李勇康;基于卷積神經(jīng)網(wǎng)絡的人臉識別研究與實現(xiàn)[D];華中師范大學;2019年

4 劉新偉;基于深度學習的標簽傳播的圖像分類研究[D];溫州大學;2019年

5 譚欣;傳統(tǒng)民族服飾數(shù)字化采集標準研究[D];北京郵電大學;2019年

6 田娟娟;視頻中行人檢測與跟蹤方法研究[D];西安理工大學;2018年

7 王媛媛;基于卷積神經(jīng)網(wǎng)絡的圖像深度估計研究[D];西安理工大學;2018年

8 高運星;基于卷積神經(jīng)網(wǎng)絡的醫(yī)學圖像超分辨率重構算法研究[D];濟南大學;2018年

9 高飛;少數(shù)民族服飾圖案數(shù)字化學習平臺構建研究[D];云南師范大學;2018年

10 趙海燕;基于卷積神經(jīng)網(wǎng)絡的民族服飾圖像教育資源檢索研究[D];云南師范大學;2018年

本文編號：2881116