改进CNN的图像分类模型研究

发布时间：2021-09-04 02:59

　　图像分类任务一直是计算机视觉领域研究的热点。面对浩如烟海的图像分类数据,传统的特征处理方法已显得捉襟见肘,而随着计算机计算性能的提高,现有的卷积神经网络解决了大部分的图像分类问题,但仍面临网络构建难度大、分类精度不高、计算消耗大等问题,以至于网络模型无法得到进一步地推广应用。针对上述问题,本文从特征融合和权重共享的角度提出了改进的卷积神经网络模型,分别如下:第一,针对现有的卷积网络仅仅依靠原图像的学习特征预测待测图像的类别,忽略人工设计特征对分类结果的影响,提出了一种新的融合显著性特征和深度学习的图像分类算法,该算法首先利用显著性特征和原始图像的BGR特征进行级联融合,然后卷积网络对融合后的多特征图进行自动特征学习,以提取图像的多样特征,最后利用Softmax分类器对图像进行分类,数值实验结果表明,所提模型是一种鲁棒性强、分类效果好的新型图像分类方法。第二,针对现有的大多数卷积网络利用网络深度而造成的巨大参数量和对输入图像的尺度特征缺乏鲁棒性问题,提出了权重共享耦合卷积神经网络。首先,训练集上的图像和经缩放处理后的图像同时输入权重共享的耦合网络,以提取多尺度输入特征;然后,在层级网络内... 

【文章来源】：辽宁工程技术大学辽宁省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

人体神经元工作示意图

辽宁工程技术大学硕士学位论文82基础理论知识2.1人工神经网络人工神经网络（ArtificialNeuralNetworks，ANNs）是仿造生物科学中神经网络信息传递方式，利用网络拓扑结构高度抽象大脑神经网络结构，模拟大脑受到外界刺激后的响应机制而建立的一个由许多非线性神经元组成的分层系统模型。ANNs对输入信息存储，并使用一定的方式进行加工，最终学习到有效的特征，输出有用的信息。2.1.1神经元大脑神经网络由大量脑神经元互相连接而成，以完成大脑的各种功能，而脑神经元与细胞之间通过突触传递信息[54]，其具体工作原理可视为一个黑箱，如图2.1所示，信息输入黑箱，经过一定的操作，输出结果。图2.1人体神经元工作示意图Figure2.1Schematicdiagramofhumanneuronwork根据人体脑神经结构可知，ANNs也有基本的人工神经元，一个人工神经元可以与多个其他人工神经元通过权重进行相连，将总输入与阈值进行比较，然后利用激活函数进行输出处理[55]，该过程可抽象为如图2.2所示的拓扑结构。图2.2多输入神经元模型Figure2.2Neuronmodelofmultipleinput该模型主要由两部分构成，第一部分进行信号累加，即

辽宁工程技术大学硕士学位论文10,0()0,=其他（2-6）显然，其为分段函数，它在阈值0以下的输出都被截断为0且导数恒为0，在阈值0以上的输出则线性不变且导数恒为1，故不存在易饱和性缺点，但当0时，其导数为0，则使得神经元输出满足此条件便不再更新[57]。Krizhevsky等人早已证明ReLU的收敛速度比tanh快6倍[3]。2.1.3多层感知机多层感知机（Multi-LayerPerceptron，MLP）是一种简单的神经网络。如图2.3所示，一般可划分为输入层、隐藏层和输出层等三部分，输入层是将图像数据信息进行变换后输入网络中；隐藏层则提取输入图像的特征，实现高维非线性映射；输出层利用分类器对提取的特征进行分类处理[57]。研究证明：当隐藏层神经元足够多时，全连接神经网络能够以任意精度拟合某一连续函数[58]。但是，当网络深度加深时，网络也面临着参数量巨大、计算量大和训练困难等问题。图2.3多层感知机示意图Figure2.3SchematicdiagramofMulti-LayerPerceptron2.2卷积神经网络2.2.1卷积神经网络的基本结构通常，卷积神经网络由若干个卷积层、非线性操作层、归一化层、池化层和分类器组成的单一尺度结构。如图2.4所示，将卷积层、非线性操作层、归一化层和池化层统称为特征提取块，一般情况，卷积神经网络由1~3个特征提取块堆叠而成。

【参考文献】：
期刊论文
[1]基于特征融合的室外天气图像分类[J]. 郭志强,胡永武,刘鹏,杨杰.  计算机应用. 2020(04)
[2]基于迁移学习及特征融合的轮胎花纹图像分类[J]. 刘颖,张帅,范九伦.  计算机工程与设计. 2019(05)
[3]自底向上的显著性目标检测研究综述[J]. 吴加莹,杨赛,堵俊,林宏达.  计算机科学. 2019(03)
[4]基于迁移学习和特征融合的航空器图像分类算法[J]. 陈兵,查宇飞,张胜杰,李运强,张园强.  火力与指挥控制. 2018(07)
[5]多特征融合的花卉图像深度学习分类算法[J]. 林思思,叶东毅,陈昭炯.  小型微型计算机系统. 2018(07)
[6]CNN与人工特征提取快速识别斑马线的方法[J]. 熊平,胡彩霞,周欣星.  电子设计工程. 2018(03)
[7]基于深度特征融合的中低分辨率车型识别[J]. 薛丽霞,钟欣,汪荣贵,杨娟,胡敏.  计算机工程. 2019(01)
[8]模式分类中的特征融合方法[J]. 刘渭滨,邹智元,邢薇薇.  北京邮电大学学报. 2017(04)
[9]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[10]融合低层和高层特征图表示的图像显著性检测算法[J]. 高思晗,张雷,李成龙,汤进.  计算机辅助设计与图形学学报. 2016(03)

博士论文
[1]基于卷积神经网络的图像分类研究[D]. 吕恩辉.中国矿业大学 2019

硕士论文
[1]深度对抗式数据增强技术在小规模数据集上的应用研究[D]. 张晓峰.中国科学技术大学 2019
[2]基于集成卷积神经网络的图像分类研究[D]. 宝阿春.中国矿业大学 2019
[3]基于深度卷积神经网络的图像分类[D]. 许佳.长沙理工大学 2017
[4]自适应深度学习算法在目标分类问题中的应用[D]. 米龙.东北大学 2014



本文编号：3382420