基于各向异性膨胀卷积的图像识别方法研究

发布时间：2021-08-25 16:24

　　图像是人类获取信息的重要方式,随着社会信息化程度的日益提高,自动识别图像的需求也变得越来越迫切。由于互联网和移动互联网的快速发展,网络中图像数据呈现出爆炸式的增长,而传统模式识别方法在海量图像数据集上的识别效果无法令人满意,研究者们提出采用卷积神经网络（Convolutional Neural Network,CNN）来进行图像识别,其中,卷积是最为关键的组件。现有的卷积如普通卷积、膨胀卷积和可变形卷积,在图像识别中取得了不错的效果,但仍存在一些不足,如:普通卷积的感受野范围受到卷积核的限制,不够鲁棒;膨胀卷积会形成一个规则的感受野,不足以应付物体表观特征产生的各种变化;可变形卷积的感受野的形状的不能快速变换,不能起到精确定位目标的作用。为解决上述问题,本文对以上各种卷积进行了深入的研究,独立完成了以下工作:（1）在普通卷积、膨胀卷积和可变形卷积的基础上,提出了各向异性膨胀卷积（Anisotropic Dilated Convolution,ADC）。各向异性膨胀卷积的优势在于继承了以往普通卷积、膨胀卷积、可变形卷积的优点,是一种更加泛化的卷积形式,其他卷积可认为是各向异性膨胀卷积的一... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

图２－１普通卷积工作方式??

图２－２膨胀卷积工作方式??Ｆｉｇｕｒｅ?２－２?Ｏｐｅｒａｔｉｏｎ?ｍｏｄｅ?ｏｆ?ｄｉｌａｔｅｄ?ｃｏｎｖｏｌｕｔｉｏｎ??膨胀卷积工作方式如图２－２所示，上层的是一个卷积核大小为３ｘ３的膨胀卷积，??步长为１，膨胀率为２，下层是一个７ｘ７大小的特征图，不进行边界填充。图（ａ）??到图（ｂ）到图（ｃ）展示了卷积的工作方式，３ｘ３的膨胀卷积和３ｘ３的普通卷积的??参数量是一样的，也同样是使用滑动窗口的方式进行采样，但是采样的点发生了??改变，除了卷积核的中心点，其他点相对于中心点每隔（膨胀率－１）行或列采样一??次，导致感受野的范围发生了变化。在相同的计算条件下，膨胀卷积并不会增加??模型的复杂度，却提供了更大的感受野，让每个卷积输出都包含较大范围的空间??一信息，但是要注意的是，如果要保证则输出特征图的空间尺寸与输入特征图的空??间尺寸相等的话

图２－３可变形卷积［２（）］工作方式??Ｆｉｇｕｒｅ?２－３?Ｏｐｅｒａｔｉｏｎ?ｍｏｄｅ?ｏｆ?ｄｅｆｏｒｍａｂｌｅ?ｃｏｎｖｏｌｕｔｉｏｎ＾２０＾??可变形卷积工作方式如图２－３所示，可变形卷积实际上是两个卷积层组成的，??上面的卷积是输出偏移量，下面的卷积输出特征图。定义输入特征图Ｘ和输出特??征图Ｙ，?Ｘ的大小为ＣｘＨｘＷ，其中Ｃ是特征图Ｘ的通道数，Ｈ和Ｗ是特征图Ｘ??的长度和宽度。可变形卷积的流程为：??（１）

【参考文献】：
期刊论文
[1]有限覆盖定理在若干数学命题证明中的应用[J]. 强华,周虎.  佳木斯大学学报(自然科学版). 2015(05)
[2]有限覆盖定理的教学研究与实践[J]. 杨小远,薛玉梅,孙玉泉,杨卓琴.  高等数学研究. 2014(01)



本文编号：3362458