集裝箱X光透視成像是集裝箱檢查的必要手段。計算機(jī)智能審圖是實(shí)現(xiàn)集裝箱檢查智能化的必由之路,是技術(shù)發(fā)展的必然趨勢。分類識別算法是智能審圖的重要基礎(chǔ)工作之一,有很大的研究價值。由于集裝箱裝載貨物比較多,透視掃描生成的圖像比較大,基于按區(qū)域識別的想法,本文首先研究了圖像分割算法。從基于圖的分割方法出發(fā),研究了新的圖切能量模型,并提出了基于動態(tài)圖融合的自動分割算法,在集裝箱貨物透視圖像上進(jìn)行了分割實(shí)驗(yàn),取得了好的效果。探討了用分割的方法解決一箱多貨問題的思路。用傳統(tǒng)分類方法進(jìn)行研究,提出了基于組合模板支持向量機(jī)的分類算法,并結(jié)合WTA哈希、語義樹方法提高算法的性能。針對集裝箱貨物圖像類內(nèi)方差大,特征分布不集中的特點(diǎn),提取大量代表性典型圖像塊,并對它們訓(xùn)練組合模板支持向量機(jī),識別階段用WTA哈希的方法進(jìn)行識別,避免了大量的卷積運(yùn)算。用語義樹的方法可以在分類層級與準(zhǔn)確率之間取得一個平衡。用深度學(xué)習(xí)方法進(jìn)行研究,使用當(dāng)前圖像分類效果很好的152層Res Net網(wǎng)絡(luò),提出了根據(jù)Logits相關(guān)性進(jìn)行自適應(yīng)調(diào)節(jié)權(quán)重的中間層監(jiān)督方法,提出了用聚類Loss對交叉熵Loss進(jìn)行加強(qiáng)的方法,并用語義樹的方法在網(wǎng)...

【文章頁數(shù)】：122 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
主要符號對照表
第1章 引言
    1.1 課題背景與意義
    1.2 國內(nèi)外現(xiàn)狀
    1.3 相關(guān)基礎(chǔ)算法
        1.3.1 支持向量機(jī)算法
        1.3.2 人工神經(jīng)網(wǎng)絡(luò)中的反向傳播學(xué)習(xí)算法
        1.3.3 深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)
    1.4 論文的研究內(nèi)容及結(jié)構(gòu)安排
第2章 基于動態(tài)圖融合的圖像分割算法
    2.1 基于圖的圖像分割算法
    2.2 基于動態(tài)圖融合的分割算法
        2.2.1 一種新的基于Mumford-Shah模型的圖像分割模型
        2.2.2 基于動態(tài)圖融合的自動分割算法
        2.2.3 基于動態(tài)圖融合的交互式分割算法
        2.2.4 基于動態(tài)圖融合的活動輪廓分割算法
    2.3 集裝箱貨物透視圖像分割及應(yīng)用展望
第3章 基于組合模板支持向量機(jī)的分類算法
    3.1 概述
    3.2 組合模板支持向量機(jī)
    3.3 WTA-hash快速算法
    3.4 用HS Code語義樹找最優(yōu)分類
    3.5 實(shí)驗(yàn)與結(jié)論
第4章 基于中間層監(jiān)督和語義樹的深度學(xué)習(xí)分類算法
    4.1 概述
    4.2 深度學(xué)習(xí)介紹
        4.2.1 學(xué)科關(guān)系介紹
        4.2.2 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程
        4.2.3 深度學(xué)習(xí)在圖像分類識別領(lǐng)域的進(jìn)展
            4.2.3.1 Alex Net模型
            4.2.3.2 VGGNet模型
            4.2.3.3 Inception模型
            4.2.3.4 Res Net模型
            4.2.3.5 Dense Net模型
            4.2.3.6 深度監(jiān)督網(wǎng)絡(luò) DSN(Deeply Supervised Nets)
    4.3 基于中間層監(jiān)督和語義樹的分類模型
        4.3.1 模型架構(gòu)
        4.3.2 模型的Loss函數(shù)
            4.3.2.1 分類Loss
            4.3.2.2 聚類Loss
    4.4 實(shí)驗(yàn)
    4.5 討論與總結(jié)
第5章 基于Triplet網(wǎng)絡(luò)的報關(guān)單對比算法
    5.1 概述
        5.1.1 報關(guān)單對比的概念與意義
        5.1.2 報關(guān)單對比的技術(shù)背景
        5.1.3 報關(guān)單對比算法思路
    5.2 主干網(wǎng)絡(luò)
        5.2.1 Triplet網(wǎng)絡(luò)
        5.2.2 基于Triplet網(wǎng)絡(luò)的特征提取器
        5.2.3 交叉熵Loss
        5.2.4 Focal Loss
        5.2.5 Distribution Loss
        5.2.6 Triplet Loss及其變種
        5.2.7 加強(qiáng)的Triplet Loss
        5.2.8 原型實(shí)驗(yàn)
    5.3 報關(guān)單對比算法
        5.3.1 算法框架
        5.3.2 特征模型庫建立與在線更新
        5.3.3 負(fù)樣本訓(xùn)練
        5.3.4 在線更新的實(shí)驗(yàn)
        5.3.5 負(fù)樣本訓(xùn)練實(shí)驗(yàn)
        5.3.6 算法性能分析
    5.4 應(yīng)用分析
第6章 后記、總結(jié)與展望
    6.1 對困難問題的再思考
        6.1.1 用HS Code作為圖像類別存在的一個問題
        6.1.2 分類的困境
    6.2 異物檢測
        6.2.1 用Triplet網(wǎng)絡(luò)訓(xùn)練特征提取器
        6.2.2 預(yù)測異物區(qū)域
        6.2.3 實(shí)驗(yàn)
    6.3 總結(jié)本文工作與創(chuàng)新點(diǎn)
    6.4 展望
參考文獻(xiàn)
致謝
個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號：3975684