隨著圖像和視頻等大數(shù)據(jù)的出現(xiàn)和GPU等硬件運(yùn)算能力的提高,這些海量數(shù)據(jù)和強(qiáng)大的計(jì)算能力促進(jìn)了深度學(xué)習(xí)理論和技術(shù)的發(fā)展,計(jì)算機(jī)視覺隨之獲得了新的發(fā)展機(jī)遇。同時(shí),視覺識別,如圖像檢測、定位與識別,是計(jì)算機(jī)視覺的重要組成部分,而基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型在圖像檢測和目標(biāo)識別等多個(gè)計(jì)算機(jī)視覺應(yīng)用領(lǐng)域也取得了顯著成果。計(jì)算機(jī)視覺和生物視覺,兩者相互借鑒,相互啟發(fā)是當(dāng)前研究的熱點(diǎn)。深度卷積神經(jīng)網(wǎng)絡(luò)也是生物視覺啟發(fā)的成果,但計(jì)算復(fù)雜度和模型的超參數(shù)問題一直是一個(gè)重要的挑戰(zhàn)。本文在借鑒神經(jīng)科學(xué)探究人類視覺系統(tǒng)的研究成果基礎(chǔ)上,分別對生物視覺記憶、視覺交互和視覺局部學(xué)習(xí)等機(jī)制進(jìn)行研究,并將其應(yīng)用到深度網(wǎng)絡(luò),進(jìn)一步提出多種新穎的深度網(wǎng)絡(luò)模型和智能檢測識別算法。主要工作與成果如下:（1）論文從生物視覺系統(tǒng)的視覺衰減和視覺交互機(jī)制出發(fā),深入研究了記憶衰減和交互機(jī)制特性,提出了一種生物視覺啟發(fā)的視覺集成模型,進(jìn)一步豐富了模型的特征。同時(shí)將其用于圖像分類任務(wù)的算法實(shí)現(xiàn),并在三個(gè)基準(zhǔn)數(shù)據(jù)集和一個(gè)實(shí)際工業(yè)數(shù)據(jù)集上仿真實(shí)驗(yàn)。仿真實(shí)驗(yàn)結(jié)果表明,視覺集成模型能獲得更好的特征并表現(xiàn)出優(yōu)秀的識別性能。（2）深度卷積神經(jīng)網(wǎng)絡(luò)作為... 

【文章頁數(shù)】：126 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究目的與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 主要研究內(nèi)容和創(chuàng)新點(diǎn)
        1.2.1 主要研究內(nèi)容
        1.2.2 創(chuàng)新點(diǎn)
    1.3 論文的章節(jié)安排
第二章 相關(guān)理論基礎(chǔ)和方法
    2.1 引言
    2.2 生物視覺系統(tǒng)
        2.2.1 生物視覺結(jié)構(gòu)
        2.2.2 生物視覺若干機(jī)制
    2.3 深度神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.3.3 自編碼神經(jīng)網(wǎng)絡(luò)
    2.4 小結(jié)
第三章 生物啟發(fā)的視覺集成計(jì)算模型
    3.1 引言
    3.2 視覺記憶衰減和交互機(jī)制的計(jì)算特征
        3.2.1 視覺記憶衰減機(jī)制
        3.2.2 視覺交互機(jī)制
    3.3 衰減交互集成計(jì)算模型
        3.3.1 VMVI-CNN算法思路及概述
        3.3.2 構(gòu)建并行結(jié)構(gòu)
        3.3.3 視覺記憶衰減模塊
        3.3.4 視覺交互模塊
        3.3.5 模型的學(xué)習(xí)過程
    3.4 算法仿真試驗(yàn)及結(jié)果分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 算法測試及對比結(jié)果
        3.4.3 實(shí)驗(yàn)分析與討論
    3.5 小結(jié)
第四章 生物啟發(fā)的視覺交互計(jì)算模型
    4.1 引言
    4.2 生物視覺機(jī)制依據(jù)
    4.3 視覺交互計(jì)算模型
        4.3.1 VIN-Net算法思路及概述
        4.3.2 自交互和相互交互模塊
        4.3.3 多次交互模塊
        4.3.4 自適應(yīng)交互模塊
        4.3.5 自全連接層和結(jié)果分類層
        4.3.6 模型的學(xué)習(xí)過程
    4.4 算法仿真實(shí)驗(yàn)和結(jié)果分析
        4.4.1 數(shù)據(jù)集介紹
        4.4.2 模型的評價(jià)指標(biāo)
        4.4.3 實(shí)驗(yàn)結(jié)果
        4.4.4 算法性能比較
        4.4.5 分析與討論
    4.5 小結(jié)
第五章 生物啟發(fā)的分塊卷積神經(jīng)網(wǎng)絡(luò)模型
    5.1 引言
    5.2 生物視覺的局部學(xué)習(xí)機(jī)制
        5.2.1 視網(wǎng)膜系統(tǒng)中的局部學(xué)習(xí)機(jī)理
        5.2.2 外側(cè)膝狀核中的局部學(xué)習(xí)機(jī)理
        5.2.3 視覺皮層的局部學(xué)習(xí)機(jī)理
    5.3 分塊卷積神經(jīng)網(wǎng)絡(luò)計(jì)算模型
        5.3.1 無監(jiān)督層次化特征分析
        5.3.2 局部學(xué)習(xí)模塊
        5.3.3 深度特征編碼架構(gòu)
        5.3.4 模型的學(xué)習(xí)過程
    5.4 算法仿真實(shí)驗(yàn)和結(jié)構(gòu)分析
        5.4.1 實(shí)驗(yàn)的相關(guān)設(shè)置
        5.4.2 實(shí)驗(yàn)結(jié)果和對比
        5.4.3 參數(shù)分析和討論
    5.5 小結(jié)
第六章 生物啟發(fā)的深度網(wǎng)絡(luò)模型及實(shí)際應(yīng)用解決方案
    6.1 引言
    6.2 實(shí)際紡織工業(yè)數(shù)據(jù)集及評估方法
        6.2.1 單標(biāo)簽下紡織工業(yè)數(shù)據(jù)
        6.2.2 多標(biāo)簽下紡織工業(yè)數(shù)據(jù)
        6.2.3 評價(jià)指標(biāo)
    6.3 小樣本數(shù)據(jù)情況下紡織疵點(diǎn)分類器的設(shè)計(jì)
        6.3.1 采用深度網(wǎng)絡(luò)與壓縮感知結(jié)合的織物疵點(diǎn)分類算法
        6.3.2 實(shí)驗(yàn)結(jié)果與分析
    6.4 單標(biāo)簽情況下紡織織物疵點(diǎn)檢測算法的設(shè)計(jì)
        6.4.1 基于改進(jìn)Faster RCNN算法的織物疵點(diǎn)檢測算法的設(shè)計(jì)
        6.4.2 實(shí)驗(yàn)結(jié)果與分析
    6.5 多標(biāo)簽情況下紡織疵點(diǎn)分類器的設(shè)計(jì)
        6.5.1 生物視覺啟發(fā)下集成模型用于多標(biāo)簽疵點(diǎn)分類
        6.5.2 實(shí)驗(yàn)結(jié)果與分析
    6.6 多標(biāo)簽情況下織物疵點(diǎn)檢測算法的設(shè)計(jì)
        6.6.1 基于FPN算法的多標(biāo)簽織物疵點(diǎn)檢測算法的設(shè)計(jì)
        6.6.2 實(shí)驗(yàn)結(jié)果與分析
    6.7 小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻(xiàn)
致謝
附錄
    附錄 A 攻讀博士學(xué)位期間取得的成果
    附錄 B 攻讀博士學(xué)位期間參與的項(xiàng)目
    附錄 C 攻讀博士學(xué)位期間獲得的獎(jiǎng)勵(lì)和榮譽(yù)


【參考文獻(xiàn)】：
期刊論文
[1]一種新穎的基于生態(tài)網(wǎng)絡(luò)計(jì)算的網(wǎng)絡(luò)仿真平臺[J]. 任立紅,丁永生.  系統(tǒng)仿真學(xué)報(bào). 2002(11)



本文編號：3734612