基于深度学习的图像情感分类研究
发布时间：2021-10-16 07:01
随着科技的发展及网络技术的进步,人们的联系、交流方式出现了多样化发展趋势,越来越发展的社交网络成为人们流露真实情感的地方,而随着文字一起发出的图像也在一定程度上反映了人们的情感状态,如何发现图像和情感之间的关联关系并加以应用,成为社交网络领域的一个研究热点,具有一定的理论意义和实际应用价值。深度学习作为目前图像分类和图像识别的一个重要研究手段,比传统方式具有明显优势,已成为国内外学者重要研究方法之一。由于情感图像是一类相对复杂且具有细节性差异的自然结构,本文采用深度信念网络算法（Deep Belief Network,DBN）和卷积神经网络算法（Convolutional Neural Network,CNN）进行研究,并且根据图像情感分类的具体问题,提出相应解决方案,研究内容如下:（1）深入研究DBN算法,针对DBN网络中存在的梯度小,收敛慢等问题,结合多新息理论,对DBN网络进行了改进,提出了基于多新息理论的DBN算法（MI-DBN）。用MNIST数据集验证MI-DBN算法的可行性,再将社交网络图像中的手写数字在训练好的网络中进行测试,为本文中的图像分类奠定了基础。最后用Calte...
【文章来源】：中北大学山西省
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 选题依据、研究背景及意义
1.1.1 选题依据
1.1.2 研究背景及意义
1.2 国内外研究现状
1.2.1 情感分类研究现状
1.2.2 深度学习研究现状
1.3 本文主要研究内容及安排
1.3.1 主要研究内容
1.3.2 论文组织结构
1.4 本章小结
2 图像情感分类及深度学习的相关研究
2.1 图像情感分类基本流程
2.2 人工神经网络及深度学习相关算法
2.2.1 人工神经网络模型
2.2.2 受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）
2.3 本章小结
3 基于多新息理论的深度信念网络改进算法
3.1 深度信念网络模型
3.1.1 DBN网络预训练过程
3.1.2 DBN网络微调过程
3.1.3 DBN网络测试过程
3.2 多新息辨识理论
3.3 基于多新息理论的深度信念网络改进算法
3.4 实验结果分类
3.4.1 实验环境
3.4.2 基于MNIST数据集的仿真
3.4.3 基于Blog数据集的仿真
3.4.4 基于Caltech101数据集的仿真
3.5 本章小结
4 基于卷积神经网络的图像情感分类改进算法
4.1 卷积神经网络算法
4.1.1 CNN网络前向传播过程
4.1.2 CNN网络反向传播过程
4.2 基于多新息理论的卷积神经网络改进算法
4.2.1 网络结构
4.2.2 卷积层
4.2.3 下采样层
4.2.4 全连接层
4.3 仿真结果与分析
4.3.1 实验环境
4.3.2 数据收集
4.3.3 Art Photo数据集
4.3.4 FlickrEmotion数据集
4.3.5 Emotion数据集
4.4 本章小结
5 总结与展望
5.1 全文总结
5.2 未来工作展望
参考文献
攻读硕士学位期间发表的论文及所取得的研究成果
致谢
【参考文献】：
期刊论文
[1]深度学习及其在图像物体分类与检测中的应用综述[J]. 刘栋,李素,曹志冬. 计算机科学. 2016(12)
[2]面向自然语言处理的深度学习研究[J]. 奚雪峰,周国栋. 自动化学报. 2016(10)
[3]基于多新息理论的深度信念网络算法[J]. 李萌,秦品乐,李传朋. 计算机应用. 2016(09)
[4]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[5]基于抗噪声局部二值模式的纹理图像分类[J]. 冀中,聂林红. 计算机研究与发展. 2016(05)
[6]基于监督学习的中文情感分类技术比较研究[J]. 杨硕. 鸭绿江(下半月版). 2016(05)
[7]基于色块边缘和颜色直方图的多目标跟踪算法[J]. 刘一宸. 计算机与现代化. 2016(02)
[8]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[9]受限波尔兹曼机[J]. 张春霞,姬楠楠,王冠伟. 工程数学学报. 2015(02)
[10]情感表达与普通话感叹词语音特征的关系研究[J]. 邓宏丽,刘惠. 柳州师专学报. 2015(02)
硕士论文
[1]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[2]基于机器视觉的运动目标实时跟踪算法研究[D]. 刘毛毛.中北大学 2015
[3]深度学习在图像语义分类中的应用[D]. 杜骞.华中师范大学 2014
[4]基于传统方法和深度学习的图像精细分类研究[D]. 张恒亨.合肥工业大学 2014
[5]网络动态文字与人类情感的智能化表达[D]. 秦霓.哈尔滨工业大学 2010
本文编号：3439375
【文章来源】：中北大学山西省
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 选题依据、研究背景及意义
1.1.1 选题依据
1.1.2 研究背景及意义
1.2 国内外研究现状
1.2.1 情感分类研究现状
1.2.2 深度学习研究现状
1.3 本文主要研究内容及安排
1.3.1 主要研究内容
1.3.2 论文组织结构
1.4 本章小结
2 图像情感分类及深度学习的相关研究
2.1 图像情感分类基本流程
2.2 人工神经网络及深度学习相关算法
2.2.1 人工神经网络模型
2.2.2 受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）
2.3 本章小结
3 基于多新息理论的深度信念网络改进算法
3.1 深度信念网络模型
3.1.1 DBN网络预训练过程
3.1.2 DBN网络微调过程
3.1.3 DBN网络测试过程
3.2 多新息辨识理论
3.3 基于多新息理论的深度信念网络改进算法
3.4 实验结果分类
3.4.1 实验环境
3.4.2 基于MNIST数据集的仿真
3.4.3 基于Blog数据集的仿真
3.4.4 基于Caltech101数据集的仿真
3.5 本章小结
4 基于卷积神经网络的图像情感分类改进算法
4.1 卷积神经网络算法
4.1.1 CNN网络前向传播过程
4.1.2 CNN网络反向传播过程
4.2 基于多新息理论的卷积神经网络改进算法
4.2.1 网络结构
4.2.2 卷积层
4.2.3 下采样层
4.2.4 全连接层
4.3 仿真结果与分析
4.3.1 实验环境
4.3.2 数据收集
4.3.3 Art Photo数据集
4.3.4 FlickrEmotion数据集
4.3.5 Emotion数据集
4.4 本章小结
5 总结与展望
5.1 全文总结
5.2 未来工作展望
参考文献
攻读硕士学位期间发表的论文及所取得的研究成果
致谢
【参考文献】：
期刊论文
[1]深度学习及其在图像物体分类与检测中的应用综述[J]. 刘栋,李素,曹志冬. 计算机科学. 2016(12)
[2]面向自然语言处理的深度学习研究[J]. 奚雪峰,周国栋. 自动化学报. 2016(10)
[3]基于多新息理论的深度信念网络算法[J]. 李萌,秦品乐,李传朋. 计算机应用. 2016(09)
[4]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[5]基于抗噪声局部二值模式的纹理图像分类[J]. 冀中,聂林红. 计算机研究与发展. 2016(05)
[6]基于监督学习的中文情感分类技术比较研究[J]. 杨硕. 鸭绿江(下半月版). 2016(05)
[7]基于色块边缘和颜色直方图的多目标跟踪算法[J]. 刘一宸. 计算机与现代化. 2016(02)
[8]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[9]受限波尔兹曼机[J]. 张春霞,姬楠楠,王冠伟. 工程数学学报. 2015(02)
[10]情感表达与普通话感叹词语音特征的关系研究[J]. 邓宏丽,刘惠. 柳州师专学报. 2015(02)
硕士论文
[1]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[2]基于机器视觉的运动目标实时跟踪算法研究[D]. 刘毛毛.中北大学 2015
[3]深度学习在图像语义分类中的应用[D]. 杜骞.华中师范大学 2014
[4]基于传统方法和深度学习的图像精细分类研究[D]. 张恒亨.合肥工业大学 2014
[5]网络动态文字与人类情感的智能化表达[D]. 秦霓.哈尔滨工业大学 2010
本文编号：3439375
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3439375.html
