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其數(shù)字化進程的關(guān)鍵環(huán)節(jié)。近年來,以卷積神經(jīng)網(wǎng)絡為代表的深度學習在圖像處理領(lǐng)域取得了不錯成績,為該問題的解決提供了有效途徑。在詳細分析國內(nèi)外相關(guān)研究的基礎(chǔ)上,通過遷移學習、改進的密連接網(wǎng)絡、多任務學習以及數(shù)據(jù)集的增強處理等技術(shù),建立了一種多任務深淺層融合密連接神經(jīng)網(wǎng)絡模型并將它應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習能力和抗干擾能力。論文主要成果如下:1.針對訓練集數(shù)據(jù)不足的問題,提出了基于遷移學習的深淺層融合密連接網(wǎng)絡建模方法。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)絡模型。使用自然圖像ImageNet數(shù)據(jù)集作為預訓練數(shù)據(jù)集,加載經(jīng)預訓練的模型參數(shù)后在繪畫作品數(shù)據(jù)集上進一步訓練以微調(diào)模型。該模型在原密連接網(wǎng)絡的過渡層之前對特征圖進行分離、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。實驗結(jié)果表明,在自然圖像中學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

【學位級別】：碩士

【部分圖文】：

圖2.1LeNet的網(wǎng)絡結(jié)構(gòu)

浙江大學碩士學位論文第2章基于深淺層融合密連接網(wǎng)絡的繪畫作品作者識別研究8圖2.1LeNet的網(wǎng)絡結(jié)構(gòu)LeNet第一次定義了卷積神經(jīng)網(wǎng)絡的基本結(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)

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

圖2.3bottleneck設計結(jié)構(gòu)圖

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

圖2.7數(shù)據(jù)集的作品展示

浙江大學碩士學位論文第2章基于深淺層融合密連接網(wǎng)絡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