基于标签相关性学习的多标签图像识别研究

发布时间：2021-08-19 20:01

　　多标签图像分类旨在准确的分类出图像中的不同目标所属类别,其广泛的用于场景识别、属性分类等现实场景中。该任务的核心研究问题是利用多个标签之间的相关性,根据已经分类出的类别,推测出其他可能存在但是难以识别的类别。标签之间相关性的学习一直是多标签分类领域的核心研究课题,并且研究进展缓慢,精度较差,难以直接落地于现实应用。深度学习技术的飞速发展,加快了多标签图像分类的研究进程,也提供了标签相关性学习的新思路。针对标签相关性的学习问题,本研究提出使用基于度量学习的多标签识别算法,将图像和标签映射到同一个空间,在此空间中利用度量学习的方法聚类具有联系的特征和标签,学习标签之间的联系,并设计新的Ranking Loss监督度量学习的过程。另外,在复杂情况下多标签图像分类尤其是大规模多标签图像分类任务中,以往的研究忽略了两个更现实的问题:类别分布不均衡和目标大小差异较大,这两个问题都会对最终的分类结果产生坏的影响。本研究针对上述问题,提出基于自注意力机制的算法,设计的深度神经网络在训练过程中自适应的关注对识别有用的特征,并通过构建特征注意力矩阵间接的利用标签之间的联系。为验证算法的作用,本研究在国际权... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

单标签图像识别对比多标签图像识别

华 中 科 技 大 学 硕 士 学 位 论 文的，对于生物来说，生物的神经元之间的连接是稀疏连接方式，高效的深具有类似的性质。Google 团队设计了 Inception 模块，该模块并行的使用的卷积获取图像的特征，Inception 模块如下图所示，以多支并行的结构近神经网络，在训练中，神经网络有更大选择权选择其中最有用的特征。

图 2-1 Inception 模块Inception 中使用了 1*1 的卷积核进一步的减少参数量。在 Ima别结果表明，InceptionNet 实现了超过 AlexNet 和 VGG 的识别准on 模块的提出使神经网络的设计朝着更深的方法发展，但是，网数量逐渐增加，过拟合和网络难以优化的问题日益突出。单纯增降低了图像识别精度，出现退化的问题。在这个基础上，有研究结构，其图示如下：

【参考文献】：
期刊论文
[1]一种基于示例非独立同分布的多示例多标签分类算法[J]. 陈彤彤,丁昕苗,柳婵娟,邹海林,周树森,刘影.  计算机科学. 2016(02)
[2]主动学习的多标签图像在线分类[J]. 徐美香,孙福明,李豪杰.  中国图象图形学报. 2015(02)



本文编号：3352051