基于深度学习的文物图像单标签和多标签分类研究

发布时间：2021-05-17 02:35

　　近年来,国家与大众对于文物保护日趋重视,文物数字化技术也因此得到研究人员的广泛关注。随着文物数字化工作展开,文物图像数据呈爆发趋势。为此本文针对文物图像大规模自动化管理多种应用场景需求,开展基于深度学习方法的文物图像单标签分类和多标签分类算法研究。本文主要研究工作如下:（1）针对目前没有公开的大规模多类别的文物藏品图像数据集现状,本文通过网络途径分别针对国内和国外藏品类型构建了两个具有代表性的数据集DPM数据集和MET数据集,分别用于单标签和多标签分类研究,对于相关领域大规模深度学习数据集的构建具有借鉴意义。（2）文物图像单标签分类,针对DPM数据集小样本问题,本文首先通过深度迁移学习手段针对主流深度学习模型进行DPM数据集分类,其中ResNet50模型达到近87%准确率。针对文物图像类内差异大、类间差异小问题,本文借鉴集成学习思想,提出一种结合点卷积和集成学习的多特征融合分类方法,其中基于局部连接点卷积的方法最终在DPM数据集上将分类准确率提高了近5个百分点。（3）文物图像多标签分类,针对文物图像多为单物体图像特点,从利用标签相关性角度提出一种基于RNN迭代预测的多标签分类神经网络,... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景
    1.2 国内外研究现状
        1.2.1 单标签图像分类研究现状
        1.2.2 多标签分类研究现状
    1.3 主要研究工作和创新点
    1.4 文章组织结构
    1.5 本章小结
第2章 相关技术综述
    2.1 图像单标签分类
        2.1.1 图像单标签分类传统算法
        2.1.2 图像单标签分类深度学习算法
        2.1.3 图像分类样本不均衡问题
    2.2 图像多标签分类
        2.2.1 图像多标签分类传统算法
        2.2.2 图像多标签分类深度学习算法
    2.3 深度学习相关理论
        2.3.1 人工神经网络
        2.3.2 卷积神经网络
        2.3.3 循环神经网络
    2.4 本章小结
第3章 数据集采集及预处理
    3.1 数据集介绍
        3.1.1 数据集采集预研
        3.1.2 单标签DPM数据集
        3.1.3 多标签MET数据集
    3.2 数据集采集流程
    3.3 图像数据预处理
        3.3.1 图像去噪
        3.3.2 图像背景裁剪
    3.4 传统图像特征提取
        3.4.1 颜色特征
        3.4.2 形状特征
        3.4.3 纹理特征
    3.5 本章小结
第4章 单标签文物图像分类
    4.1 基于深度迁移学习单标签分类
        4.1.1 主流深度学习预训练模型
        4.1.2 实验结果
    4.2 基于多特征融合单标签分类
        4.2.1 传统图像特征
        4.2.2 上下文文本特征
        4.2.3 集成学习super learner算法
        4.2.4 基于点卷积和SL算法的多特征融合网络
        4.2.5 实验结果
    4.3 本章小结
第5章 多标签文物图像分类
    5.1 基于RNN迭代预测的多标签分类
        5.1.1 基于RNN迭代预测的多标签分类网络
        5.1.2 实验结果
    5.2 基于迭代预测和代价敏感学习的多标签分类
        5.2.1 基于迭代预测和代价敏感学习多标签分类网络
        5.2.2 实验结果
    5.3 本章小结
第6章 总结与展望
    6.1 本文工作总结
    6.2 后续工作展望
参考文献
攻读硕士学位期间主要的研究工作与成果
致谢


【参考文献】：
期刊论文
[1]博物馆藏品架起沟通的桥梁——来自故宫博物院文物普查的报告[J]. 单霁翔.  中国文物科学研究. 2014(03)

硕士论文
[1]基于多特征融合的文物图像分类研究[D]. 杜楠.重庆大学 2017



本文编号：3190901