基于深度学习的中国绘画图像分类研究

发布时间：2019-05-18 19:25

【摘要】：随着数字化技术的发展,实现中国绘画的精准分类及快速查找等功能,对中国绘画图像数字化的建立具有重要意义。传统的中国绘画识别系统主要有特征提取和分类两个步骤,其中特征提取主要是根据个人经验完成的,虽然能够对中国绘画进行分类,但仍存在细节信息容易丢失,模型泛化能力低等问题。寻找一种能够自动、高效识别绘画的技术是目前及未来研究的热点。绘画分类作为图像分类的一种,其分类的难点在于特征的表达。而深度学习可以通过多隐层的网络模型对大数据进行训练,实现对数据特征的更好表达,从而提高分类结果的准确度。因此,针对中国绘画图像分类所出现的难题,本文对基于深度学习的中国绘画图像分类算法进行了研究。本文首先提出了一种基于深度信念网络的方法,实现对中国绘画图像的分类。该方法一方面通过采用深度信念网络所忽略的二维结构信息实现对高阶统计信息的提取,另一方面将卷积操作应用到网络结构中,可以在降低噪音的同时增强对原始信号特征的表达。同时还在隐层限制波尔兹曼机结构中引入了最大概率模型和稀疏正则化算法,从而很好地实现了对概率的推理和超完备现象的弱化。最后本文通过实验验证了此方法在中国绘画图像分类上具有可行性。随后本文提出了一种基于卷积神经网络的方法,对中国绘画图像进行分类。该算法首先针对过拟合问题,提出了一种改进的合成少数类过采样技术,以达到对数据良好的扩增,然后将扩增后的数据直接输入到卷积神经网络中,经过隐藏层的卷积和亚采样,并在结构中利用ReLu+Sigmoid替代传统的Sigmoid+Sigmoid激活函数,最终提取出可更好地表示绘画图像的特征。实验结果表明,与传统分类方法相比,该方法在中国绘画图像分类上具有更好的分类效果。
[Abstract]:......
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：J205;TP391.41

【参考文献】