發(fā)布時(shí)間：2021-04-19 13:01

　　中醫(yī)體質(zhì)分類(lèi)是體質(zhì)研究的基礎(chǔ)和核心內(nèi)容,是從復(fù)雜多變的個(gè)體體質(zhì)現(xiàn)象中提煉出適合于群體的體質(zhì)特征并形成最終的分類(lèi)系統(tǒng)。目前將深度學(xué)習(xí)技術(shù)用于面部體質(zhì)分類(lèi)領(lǐng)域的研究還處于起步階段,還有很多問(wèn)題需要解決。本文研究其中的三個(gè)問(wèn)題:首先,圍繞傳統(tǒng)的人工設(shè)計(jì)特征對(duì)面部體質(zhì)圖像表示能力不強(qiáng)的問(wèn)題進(jìn)行方法研究。然后,在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,圍繞面部體質(zhì)數(shù)據(jù)量少的問(wèn)題進(jìn)行研究。最后,針對(duì)現(xiàn)有體質(zhì)分類(lèi)方法未能考慮深度神經(jīng)網(wǎng)絡(luò)中不同層次語(yǔ)義特征的問(wèn)題設(shè)計(jì)相應(yīng)的解決方案。具體研究工作包括:（1）提出了基于深度網(wǎng)絡(luò)特征學(xué)習(xí)的面部體質(zhì)分類(lèi)算法。該算法通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行端對(duì)端的訓(xùn)練,學(xué)習(xí)得到面部體質(zhì)圖像的高層語(yǔ)義特征。然后,通過(guò)將卷積神經(jīng)網(wǎng)絡(luò)中最后一層全連接層特征與面部體質(zhì)圖像的顏色特征相融合,進(jìn)一步增強(qiáng)面部體質(zhì)圖像的表達(dá)能力。在面部體質(zhì)數(shù)據(jù)集上實(shí)驗(yàn)證明所提算法的有效性。（2）提出了基于遷移學(xué)習(xí)和集成學(xué)習(xí)的面部體質(zhì)分類(lèi)算法。在面部體質(zhì)數(shù)據(jù)集上,通過(guò)Dense Net-169模型進(jìn)行遷移訓(xùn)練,構(gòu)建了遷移體質(zhì)神經(jīng)網(wǎng)絡(luò)（Constitution Net）。為了進(jìn)一步提高體質(zhì)分類(lèi)效果,將Constitution Net模... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：125 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 體質(zhì)調(diào)查問(wèn)卷法
        1.2.2 傳統(tǒng)的機(jī)器學(xué)習(xí)法
        1.2.3 深度卷積神經(jīng)網(wǎng)絡(luò)法
        1.2.4 工具檢測(cè)法
    1.3 體質(zhì)分類(lèi)存在的問(wèn)題
    1.4 本文的研究?jī)?nèi)容
    1.5 本文的組織安排
第二章 體質(zhì)分類(lèi)和深度學(xué)習(xí)理論基礎(chǔ)
    2.1 引言
    2.2 體質(zhì)的定義
    2.3 體質(zhì)分類(lèi)的步驟
    2.4 特征表示
        2.4.1 顏色特征
        2.4.2 紋理特征
        2.4.3 哈爾特征
        2.4.4 方向梯度直方圖特征
    2.5 分類(lèi)器算法
        2.5.1 決策樹(shù)分類(lèi)器
        2.5.2 隨機(jī)森林分類(lèi)器
        2.5.3 支持向量機(jī)分類(lèi)器
        2.5.4 K近鄰分類(lèi)器
        2.5.5 樸素貝葉斯分類(lèi)器
        2.5.6 集成分類(lèi)器
    2.6 深度學(xué)習(xí)理論
        2.6.1 前饋神經(jīng)網(wǎng)絡(luò)
        2.6.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.6.3 深度遷移學(xué)習(xí)
        2.6.4 深度神經(jīng)網(wǎng)絡(luò)模型
    2.7 小結(jié)
第三章 基于深度網(wǎng)絡(luò)特征學(xué)習(xí)的面部體質(zhì)分類(lèi)算法
    3.1 方法
    3.2 特征表示方法
        3.2.1 顏色特征
        3.2.2 紋理特征
    3.3 深度體質(zhì)神經(jīng)網(wǎng)絡(luò)
    3.4 實(shí)驗(yàn)
        3.4.1 數(shù)據(jù)集
        3.4.2 實(shí)驗(yàn)設(shè)置
        3.4.3 實(shí)驗(yàn)結(jié)果與分析
    3.5 小結(jié)
第四章 基于遷移學(xué)習(xí)和集成學(xué)習(xí)的面部體質(zhì)分類(lèi)算法
    4.1 方法
    4.2 特征表示方法
        4.2.1 哈爾特征
        4.2.2 方向梯度直方圖
    4.3 遷移體質(zhì)神經(jīng)網(wǎng)絡(luò)
    4.4 集成體質(zhì)分類(lèi)
    4.5 實(shí)驗(yàn)
        4.5.1 數(shù)據(jù)集
        4.5.2 數(shù)據(jù)增強(qiáng)
        4.5.3 實(shí)驗(yàn)設(shè)置
    4.6 實(shí)驗(yàn)結(jié)果與分析
        4.6.1 不同特征提取方法下的分類(lèi)結(jié)果
        4.6.2 不同網(wǎng)絡(luò)模型下的分類(lèi)結(jié)果
        4.6.3 集成體質(zhì)分類(lèi)結(jié)果
    4.7 小結(jié)
第五章 基于多層次多尺度特征聚合的面部體質(zhì)分類(lèi)算法
    5.1 方法
        5.1.1 VGG-CI網(wǎng)絡(luò)結(jié)構(gòu)
        5.1.2 主成分分析方法
        5.1.3 多層次多尺度特征聚合
    5.2 實(shí)驗(yàn)
        5.2.1 數(shù)據(jù)集
        5.2.2 實(shí)驗(yàn)設(shè)置
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 不同特征表示方法下的分類(lèi)結(jié)果
        5.3.2 不同網(wǎng)絡(luò)模型下的分類(lèi)結(jié)果
    5.4 小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀博士/碩士學(xué)位期間取得的研究成果
致謝
附件



本文編號(hào)：3147602