基于深度学习的场景分类

发布时间：2017-04-02 13:15

  本文关键词：基于深度学习的场景分类，，由笔耕文化传播整理发布。

【摘要】：随着多媒体技术的发展和互联网的日益普及,人们生活中所接触到的图像信息与日俱增,面对巨大的图像数据,传统的人工分类标注图像的管理方式变得不再可行。现有诸如支持向量机、仅含一层隐层的神经网络、核回归等一些机器学习方法都是采用浅层学习结构,这种有限的样本数量和计算单元对复杂函数的表示存在明显的不足,在复杂的分类问题上更难以有效地表现性能和泛化能力。神经网络构建的深度学习方法取得了很多突破性的进展,在计算机视觉、语音识别、自然语言处理等领域也出现了大量的创新应用。深度学习是一个模拟人类大脑学习机制的过程,采用多层神经网络对现实对象或者语音、文本等数据进行抽象表达,将抽取的特征与分类器结合到一个学习框架下,对相关对象进行分类识别等。这种采用深层非线性结构的网络,能够对复杂函数实现逼近,分布式表示输入数据,并能够抽取到输入数据的本质特征。针对传统场景分类需要人工设计特征以及特征存在的鲁棒性不强的问题,本文结合深度学习方法进行场景分类,构建了一种能够提取多种场景图像特征的深度卷积神经网络模型。该模型能够利用深度卷积神经网络框架自动的从场景数据库中学习场景图像的特征。根据深度卷积神经网络分层提取图像信息的特点,该模型的底层采用较小的卷积核,可以提取到更多的底层图像特征,为高层特征奠定了良好的基础。同时,利用深度卷积神经网络最后一层4096个神经元作为场景特征,分别训练出不同场景模型,并结合Lib-SVM多分类器直接对场景图像原图进行分类。通过在两个数据集上的实验验证,表明深度卷积神经网络可以有效地提取场景特征,并使训练出的场景模型具有较强的泛化性能和较高的分类准确率。
【关键词】：场景分类 深度学习 深度卷积神经网络 场景特征 场景模型
【学位授予单位】：辽宁工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要5-6
• Abstract6-9
• 1 绪论9-15
• 1.1 课题研究的背景9-10
• 1.2 国内外研究现状10-12
• 1.2.1 场景分类的研究现状10-11
• 1.2.2 深度学习在图像领域的研究现状11-12
• 1.3 课题研究意义12-13
• 1.4 本文的章节安排及主要内容13-15
• 2 相关基础理论15-33
• 2.1 场景分类的概念和特点15-18
• 2.1.1 场景分类的概念15-16
• 2.1.2 场景分类的主要特点16-18
• 2.2 机器学习中常用的分类模型18-23
• 2.2.1 SVM分类模型18-20
• 2.2.2 Softmax回归模型20-23
• 2.2.3 K-近邻分类模型23
• 2.3 人工神经网络23-27
• 2.3.1 神经元24-25
• 2.3.2 神经网络25-27
• 2.4 BP网络模型27-32
• 2.4.1 BP网络的基本原理27-29
• 2.4.2 BP算法的数学表达29-31
• 2.4.3 BP算法的执行步骤31-32
• 2.5 本章小结32-33
• 3 深度学习网络模型33-43
• 3.1 深度学习33-35
• 3.1.1 深度学习简介33-34
• 3.1.2 深度学习基本思想34
• 3.1.3 深度学习训练过程34-35
• 3.2 深度学习常用方法35-40
• 3.2.1 自动编码器35-36
• 3.2.2 稀疏自动编码器36-37
• 3.2.3 受限玻尔兹曼机37-40
• 3.3 深度信念神经网络40-42
• 3.4 本章小结42-43
• 4 基于深度卷积神经网络的场景分类43-55
• 4.1 卷积神经网络43-45
• 4.1.1 卷积神经网络结构43-44
• 4.1.2 卷积神经网络的优越性44-45
• 4.2 基于深度卷积神经网络算法45-48
• 4.2.1 模型简介45-46
• 4.2.2 系统层次及参数设置46-48
• 4.2.3 特征提取与模型训练48
• 4.3 实验结果及分析48-54
• 4.3.1 实验设置48-49
• 4.3.2 ImageNet-2012数据集上实验49-52
• 4.3.3 NUS-WIDE数据集上实验52-54
• 4.4 本章小结54-55
• 5 总结和展望55-56
• 5.1 总结55
• 5.2 展望55-56
• 参考文献56-59
• 致谢59

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 曾U喺

本文编号：282572