隨著博物館數(shù)字化在全球范圍內(nèi)的發(fā)展,繪畫作品的智能分析變得越來越重要,而對繪畫作品作者的自動識別又是推進(jìn)其數(shù)字化進(jìn)程的關(guān)鍵環(huán)節(jié)。近年來,以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)在圖像處理領(lǐng)域取得了不錯成績,為該問題的解決提供了有效途徑。在詳細(xì)分析國內(nèi)外相關(guān)研究的基礎(chǔ)上,通過遷移學(xué)習(xí)、改進(jìn)的密連接網(wǎng)絡(luò)、多任務(wù)學(xué)習(xí)以及數(shù)據(jù)集的增強(qiáng)處理等技術(shù),建立了一種多任務(wù)深淺層融合密連接神經(jīng)網(wǎng)絡(luò)模型并將它應(yīng)用于解決繪畫作品作者識別問題。該方法在面對數(shù)據(jù)集數(shù)目小、識別類別多的情況下具有好的特征學(xué)習(xí)能力和抗干擾能力。論文主要成果如下:1.針對訓(xùn)練集數(shù)據(jù)不足的問題,提出了基于遷移學(xué)習(xí)的深淺層融合密連接網(wǎng)絡(luò)建模方法。為充分利用繪畫作品的低級特征(如紋理、顏色、陰影等),建立了一種深淺層融合的密連接網(wǎng)絡(luò)模型。使用自然圖像ImageNet數(shù)據(jù)集作為預(yù)訓(xùn)練數(shù)據(jù)集,加載經(jīng)預(yù)訓(xùn)練的模型參數(shù)后在繪畫作品數(shù)據(jù)集上進(jìn)一步訓(xùn)練以微調(diào)模型。該模型在原密連接網(wǎng)絡(luò)的過渡層之前對特征圖進(jìn)行分離、卷積,池化后直接并聯(lián)到最終的決策層,使得深淺層信息共同參與最終的識別決策。實(shí)驗(yàn)結(jié)果表明,在自然圖像中學(xué)到的信息有助于提升模型對繪畫作品作者的識別效果,而在多...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1LeNet的網(wǎng)絡(luò)結(jié)構(gòu)

浙江大學(xué)碩士學(xué)位論文第2章基于深淺層融合密連接網(wǎng)絡(luò)的繪畫作品作者識別研究8圖2.1LeNet的網(wǎng)絡(luò)結(jié)構(gòu)LeNet第一次定義了卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)：卷積層（ConvolutionalLayer）、池化層（PoolingLayer）和全連接層（FullConnectionLayer....

圖2.2殘差塊的結(jié)構(gòu)

浙江大學(xué)碩士學(xué)位論文第2章基于深淺層融合密連接網(wǎng)絡(luò)的繪畫作品作者識別研究10要將非線性的卷積層學(xué)習(xí)為直接映射要簡單得多。這樣的設(shè)計(jì)結(jié)構(gòu)僅僅是相對于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)增加了一些捷徑（shortcut），并沒有增加參數(shù)數(shù)量和計(jì)算量，但能夠使網(wǎng)絡(luò)的學(xué)習(xí)難度下降，更加有利于網(wǎng)絡(luò)的優(yōu)化。圖....

圖2.3bottleneck設(shè)計(jì)結(jié)構(gòu)圖

浙江大學(xué)碩士學(xué)位論文第2章基于深淺層融合密連接網(wǎng)絡(luò)的繪畫作品作者識別研究10要將非線性的卷積層學(xué)習(xí)為直接映射要簡單得多。這樣的設(shè)計(jì)結(jié)構(gòu)僅僅是相對于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)增加了一些捷徑（shortcut），并沒有增加參數(shù)數(shù)量和計(jì)算量，但能夠使網(wǎng)絡(luò)的學(xué)習(xí)難度下降，更加有利于網(wǎng)絡(luò)的優(yōu)化。圖....

圖2.7數(shù)據(jù)集的作品展示

浙江大學(xué)碩士學(xué)位論文第2章基于深淺層融合密連接網(wǎng)絡(luò)的繪畫作品作者識別研究15圖2.7數(shù)據(jù)集的作品展示在圖2.7中，前兩幅作品分別為IlyaRepin,JohnSingerSargent所做，后兩幅作品為PabloPicasso在不同時期的作品。正如圖2.7所示，不同畫家的作品有可....

本文編號：4031463