發(fā)布時間：2021-08-08 18:01

　　圖像分類技術(shù)是計算機視覺下最基礎(chǔ)、最重要的技術(shù)分支。在人臉識別、智慧醫(yī)療和移動支付等領(lǐng)域具有很大的應(yīng)用市場。其中的紋理圖像分類,則是圖像分類中一項十分重要的技術(shù),在材料紋理識別、管道檢測等領(lǐng)域中,有著巨大的應(yīng)用潛力。隨著一系列社交媒體應(yīng)用、短視頻應(yīng)用的急速發(fā)展,互聯(lián)網(wǎng)上無時無刻都產(chǎn)生著大規(guī)模的圖像數(shù)據(jù),如何有效提取圖像中有效信息就變得愈加迫切。深度卷積神經(jīng)網(wǎng)絡(luò)具備很強地抽取圖像特征表達的能力,而且深度二階統(tǒng)計特征可以由深度特征本身計算獲得,具有更高的計算效率,可獲得更加魯棒的圖像表達。因此,本文探索了二階統(tǒng)計特征信息如何有效地與深度特征結(jié)合、注意力機制相結(jié)合的圖像分類方法研究,其主要工作可以總結(jié)如下:（1）提出雙線性卷積特征下的高斯描述子（RDGD）,并有效應(yīng)用在紋理數(shù)據(jù)集等圖像任務(wù)中。RDGD結(jié)合雙線性卷積神經(jīng)網(wǎng)絡(luò)（B-CNN）和高斯描述符作為新的紋理表示方法,其中由B-CNN計算所得的外積作為協(xié)方差的粗略估計被嵌入到高斯表達中。同時為了克服高維小樣本情況下,估計所得樣本協(xié)方差不太魯棒,在前一步基礎(chǔ)上,采用矩陣冪歸一化操作,消除了協(xié)方差粗略估計帶來的影響。在三個紋理數(shù)據(jù)庫上的實驗結(jié)果... 

【文章來源】：大連大學(xué)遼寧省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖0.1圖像分類技術(shù)

-3-割，甚至也為語音識別領(lǐng)域和自然語言處理領(lǐng)域也提供了方法借鑒。FashionAI全球挑戰(zhàn)賽華為云垃圾分類細(xì)粒度自然物種分類食物分類圖0.2圖像分類任務(wù)相關(guān)的一些比賽Fig.1.2Somecompetitionsrelatedtoimageclassificationtasks1.2研究現(xiàn)狀近幾年來，圖像分類技術(shù)成為了計算機視覺中最為熱門的研究方向，諸多研究人員聚集在此方向，產(chǎn)生了許多優(yōu)秀的工作�？偨Y(jié)來說，圖像分類技術(shù)從建模方法的角度可以分為三類：一是基于詞包模型(Bag-of-Words)；二是在卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork,CNN)基礎(chǔ)之上；三是CNN與傳統(tǒng)方法結(jié)合的圖像分類方法。接下來，將通過對以上三個圖像分類方法對國內(nèi)外相關(guān)工作研究進展進行描述。1.2.1基于詞包模型的圖像分類方法起初，詞包模型來源于自然語言處理(NaturalLanguageProcessing，NLP)領(lǐng)域，對文檔中單詞出現(xiàn)的頻率建模分析來對文檔進行量化表達。Csurka等人[1]首次在計算機視覺相關(guān)任務(wù)中引入詞包的概念，并逐漸形成了包括底層特征提娶特征編碼、特征匯聚、分類器分類四部分[2]的分類框架。首先，對圖像采用密集提取的方式，根據(jù)一定步長和特定的尺度從圖像中提取出許多局部特征描述，其中常用的局部特征描述有尺度不變特征轉(zhuǎn)換[3]、方向梯度直方圖[4]和局部二值模

-11-圖0.1五種不同VGGNet配置結(jié)構(gòu)圖[13]Fig.2.1FivedifferentVGGNetconfigurationstructurediagrams[13]本文中，第3章相關(guān)工作中將VGGNet-16作為預(yù)訓(xùn)練模型，提取其最后一個卷積層的深度特征，然后再進行隨后一系列的高階統(tǒng)計建模操作，詳情見本文第3章節(jié)。2.1.2ResNet上一部分提到的VGGNet已經(jīng)表明CNN的深度對模型的效果起著至關(guān)重要的作用。但是當(dāng)更深的網(wǎng)絡(luò)開始逐步收斂時，模型就會出現(xiàn)退化問題。出乎意料的是，這并不是因為模型出現(xiàn)過擬合引起的[38,39]。He等人提出一種深度殘差網(wǎng)絡(luò)—ResNet[16]，有效緩解了網(wǎng)絡(luò)模型訓(xùn)練過程中的退化問題。改變之前直接將每個堆疊的層來擬合潛在的分布，而是顯示地讓這些堆疊層來擬合潛在的殘差分布。形式上，定義H為需要擬合的潛在分布，He等人將要擬合的分布轉(zhuǎn)換為擬合映射FxHxx，原始的映射就被轉(zhuǎn)換為Fxx。值得注意的是，通過轉(zhuǎn)換要擬合的映射，可以使得原始映射變得更加容易優(yōu)化[16]。由以上擬合映射函數(shù)

【參考文獻】：
期刊論文
[1]圖像物體分類與檢測算法綜述[J]. 黃凱奇,任偉強,譚鐵牛.  計算機學(xué)報. 2014(06)

博士論文
[1]基于高斯分布建模的圖像分類方法研究[D]. 王旗龍.大連理工大學(xué) 2018

碩士論文
[1]圖像分類中深度特征的二階統(tǒng)計建模方法研究[D]. 孫秋樂.大連大學(xué) 2018



本文編號：3330420