细粒度物体分类算法研究与实现

发布时间：2017-06-12 16:13

  本文关键词：细粒度物体分类算法研究与实现，，由笔耕文化传播整理发布。

【摘要】：近年来,计算机视觉成为越来越热门的研究领域,而图像语义理解更是其中非常活跃的研究方向,从而实现对图像数据的有效管理、组织和再利用。在计算机视觉领域中,对于图像的认知一般分为三个层次：第一层是以感知层为主的图像内容分析,主要是低层特征的提取和处理,比如纹理、颜色、时空关系等;第二层是以认知层为主的图像理解,主要是中层特征的提取和语义理解,包括图像、场景、视频的主要区域等；第三层是以情感层的图像情感分析为主,该层主要是高层特征的分析,如人脸表情分类、图像情感分类等。人类对于图像的理解和表达更接近于认知层的分析,因此对于物体的检索与分类主要是利用图像包含的主要场景和主要物体来进行。这是计算机视觉领域较核心的问题,近年来引起了很多学者的关注和研究。现今对于图像的物体分类大多是针对粗粒度物体类别的分类,比如：汽车、房子、花丛等不同类别之间的分析,缺少的是相似类别之间的分析,无法做进一步更精细的划分和多层次分类。因此,如何更精细、准确、高效地实现图像的物体分类,具有着重要的理论意义和实用价值。本文以细粒度物体分类为出发点,构建了细粒度车型图像数据库,并深入研究了两种主流的物体分类方法,最后通过实验对分类方法进行分析与验证。第一种方法是基于部件模型的细粒度物体分类方法。它首先通过弱标记方法和隐支持向量机迭代判别算法对物体进行模型训练,再通过图像特征金字塔与部件滤波器的匹配来确定物体的部件区域及图像的中层特征,最后将图像的低层特征与中层特征融合起来从而得到新的图像特征。第二种方法是基于卷积神经网络的细粒度物体分类方法。该方法采用的是一个八层卷积神经网络结构。经过对同层相邻节点的响应进行局部归一化、对卷积层进行重叠池化、减少过拟合等方法优化网络结构,使用非线性的线段调整函数作为输出函数,最后采用卷积神经网络的第六隐层特征图作为图像特征进行实验研究。本文采用的两类细粒度物体分类方法均有不错的效果,通过实验验证,尤其是基于卷积神经网络的细粒度物体分类方法更取得了较好的分类效果。
【关键词】：细粒度物体分类 部件模型 深度学习 卷积神经网络
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 研究背景及意义11-12
• 1.2 国内外研究现状12-15
• 1.3 论文主要研究工作15-16
• 1.4 论文组织结构16-17
• 2 物体分类相关理论介绍17-32
• 2.1 物体分类常用技术综述17-27
• 2.1.1 HOG特征18-19
• 2.1.2 SIFT特征19-25
• 2.1.3 LBP特征25-26
• 2.1.4 Gabor特征26-27
• 2.2 物体分类模型综述27-30
• 2.2.1 基于词包模型的物体分类27-28
• 2.2.2 基于深度学习的物体分类28-30
• 2.3 细粒度物体分类综述30-31
• 2.4 本章小结31-32
• 3 基于部件模型的细粒度物体分类方法32-44
• 3.1 部件模型32-38
• 3.1.1 HOG特征金字塔32-34
• 3.1.2 滤波器34-35
• 3.1.3 部件模型35-36
• 3.1.4 隐支持向量机36-37
• 3.1.5 部件模型的训练37-38
• 3.2 基于部件模型的图像特征38-43
• 3.2.1 部件区域选取与描述38-39
• 3.2.2 基于部件模型的图像特征39-43
• 3.3 本章小结43-44
• 4 基于深度学习的细粒度物体分类方法44-58
• 4.1 卷积神经网络的基本原理44-46
• 4.2 基于卷积神经网络的细粒度物体分类方法46-53
• 4.2.1 卷积神经网络结构46-48
• 4.2.2 神经元模型48-50
• 4.2.3 卷积神经网络的训练50-52
• 4.2.4 深度卷积激活特征52-53
• 4.3 实验分析与比较53-57
• 4.3.1 实验设置53-55
• 4.3.2 实验结果分析与比较55-57
• 4.4 本章小结57-58
• 5 总结与展望58-60
• 5.1 总结58
• 5.2 展望58-60
• 参考文献60-64
• 作者简历及攻读硕士学位期间取得的研究成果64-66
• 学位论文数据集66

【相似文献】

中国期刊全文数据库 前10条

1 孙伟;李艳灵;周文勇;;细粒度基于传递功能的约束委托模型[J];信阳师范学院学报(自然科学版);2013年03期

2 夏汛;陈玲;;基于拦截器的细粒度权限设计[J];福建电脑;2012年11期

3 欧阳纯萍;阳小华;雷龙艳;徐强;余颖;刘志明;;多策略中文微博细粒度情绪分析研究[J];北京大学学报(自然科学版);2014年01期

4 史大伟;袁天伟;;一种粗细粒度结合的动态污点分析方法[J];计算机工程;2014年03期

5 原子;于莉莉;刘超;;引入缺陷的细粒度软件变更识别方法[J];北京航空航天大学学报;2014年09期

6 戢彦泓,郭常杰,钟玉琢,孙立峰;基于细粒度可扩展编码的多源视频流化方案[J];清华大学学报(自然科学版);2004年04期

7 涂登彪;谭光明;孙凝晖;;无锁同步的细粒度并行介度中心算法[J];软件学报;2011年05期

8 张宇轩;魏廷存;樊晓桠;张萌;;面向流体系的细粒度异步访存调度[J];计算机应用研究;2012年03期

9 王宽;;基于细粒度调整的同步播放控制算法[J];山西电子技术;2008年05期

10 华秀丽;徐凡;王中卿;李培峰;;细粒度科技论文摘要句子分类方法[J];计算机工程;2012年14期

中国重要会议论文全文数据库 前5条

1 叶蕴芳;杨榆;罗鑫;徐国爱;;Appfuse系统中细粒度权限控制的研究与实现[A];2007北京地区高校研究生学术交流会通信与信息技术会议论文集（上册）[C];2008年

2 江伟玉;高能;刘泽艺;林雪燕;;一种云计算中的多重身份认证与授权方案[A];第27次全国计算机安全学术交流会论文集[C];2012年

3 郭磊;唐玉华;周杰;董亚卓;;基于FPGA的Cholesky分解细粒度并行结构与实现[A];2010年第16届全国信息存储技术大会（IST2010）论文集[C];2010年

4 李俊青;谢圣献;刘广亮;陈晨;;P2P网络基于蚁群优化的动态细粒度访问控制框架[A];2008年全国开放式分布与并行计算机学术会议论文集(下册)[C];2008年

5 盛振华;吴羽;江锦华;寿黎但;陈刚;;InfoSigs:一种面向WEB对象的细粒度聚类算法[A];第26届中国数据库学术会议论文集（A辑）[C];2009年

中国重要报纸全文数据库 前2条

1 赵晓涛;巡展中的三大热门[N];网络世界;2007年

2 乐天邋编译;编织一张更好的Web[N];计算机世界;2007年

中国博士学位论文全文数据库 前3条

1 时杰;关系数据库细粒度访问控制研究[D];华中科技大学;2010年

2 朱倩;面向自由文本的细粒度关系抽取的关键技术研究[D];江苏大学;2011年

3 余a\;基于Simulink模型的细粒度多线程技术研究[D];浙江大学;2014年

中国硕士学位论文全文数据库 前10条

1 赵黎光;基于依存句法的句子级细粒度情感计算[D];华南理工大学;2015年

2 李星宇;一种细粒度Cloud-RAN框架与关键技术研究[D];电子科技大学;2014年

3 郦丽珍;基于Open vSwitch虚拟网络的细粒度访问控制[D];复旦大学;2013年

4 姚亮;数据访问控制中基于中间代理的用户撤销方法[D];西安电子科技大学;2014年

5 占文平;面向产品评论的情感分析技术研究[D];浙江工商大学;2015年

6 楼弘;基于深度神经网络的传感器覆盖细粒度优化研究[D];浙江工业大学;2015年

7 蔡雅雅;基于半监督集成剪枝算法的细粒度城市空气质量估计[D];浙江大学;2016年

8 何东梅;细粒度物体分类算法研究与实现[D];北京交通大学;2016年

9 张s

本文编号：444451