图像物体的精细化分类方法研究

发布时间：2021-11-23 16:14

　　图像分类是计算机视觉的基础任务,在实际场景中具有广泛的应用价值。当前的图像分类大多基于深度学习,特别是深度卷积神经网络（Deep Convolutional Neural Network,DCNN）。虽然相对于传统方法取得了显著提升,基于DCNN的图像分类仍存在很多不足,分类准确率不能满足实际应用的需求。本文工作围绕图像分类中的四个子任务,包括通用图像分类、细粒度图像分类、多任务增量学习和多类别增量学习,由浅入深地研究图像分类在实际应用中面临的挑战。其中通用图像分类是图像分类的基础任务,细粒度图像分类的类别划分更为精细,多任务和多类别增量学习致力于解决实际应用中不同任务和类别的数据分批次可见所带来的问题。本文的主要贡献包括:（1）围绕通用图像分类提出一种基于互补特征学习的学习框架DualNet。特征提取通常被视为图像分类中最重要的步骤,单个DCNN不能学习输入图像的所有细节特征。DualNet通过在训练过程中添加互补性约束协同两个子网络进行互补学习,融合不同子网络提取的特征后得到关于输入图像更为准确的特征描述。在多个数据集上的实验表明DualNet可以取得比单个网络以及模型集成方法更高... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：114 页

【学位级别】：博士

【部分图文】：

图１．２细粒度图像分类示例：（ａ）黑脚信天翁（ｂ）黑背信天翁（ｃ）冠毛小海雀（ｄ）沟咀犀鹃??

?（ｃ）?（ｄ）??图１．２细粒度图像分类示例：（ａ）黑脚信天翁（ｂ）黑背信天翁（ｃ）冠毛小海雀（ｄ）沟咀犀鹃??的２６．２％降到了?１５．３％，２０１７年ＳＥＮｅｔ１＂１将这一数字进一步降到了?２．３％。ＤＣＮＮ??通过输入和输出之间的多个隐藏层实现了特征的分层抽象和组合，且随着网络加??深其非线性建模能力变得愈来愈强１１２１。ＤＣＮＮ的成功一方面得益于大规模带标签??的数据集如ＩｍａｇｅＮｅｔ等，另一方面是由于它自身端到端的学习能力，目前ＤＣＮＮ??己成为包括图像分类在内的多个视觉任务的主流方法。因此，本文在ＤＣＮＮ模??型下研宄图像物体的分类任务。??虽然ＤＣＮＮ相较于传统图像分类方法取得了显著的提升，但是模型本身还??存在一些不足，在实际场景中类别总数固定、样本充足的条件很难满足，图像分??类任务的性能仍不能满足实际应用的要求，存在许多未解决的问题。例如：??（ａ）

（＾）??Ｔａｒｇｅｔ?ｍｏｄｅｌ??图１．３增量学习类似于人的学习模式，允许模型在持续到来的新数据上进行更新，当每个??阶段的新数据到来时，由于隐私或存储代价等因素，旧数据通常是不可见的??性的研宄课题。如何将ＤＣＮＮ更好地应用于细粒度图像分类，使得网络能??够自动学习不同子类之间细微的差别，值得进一步探索。??（ｃ）?ＤＣＮＮ训练过程通常要求所有数据同时可见，而在实际场景中不同任务或??者类别的数据往往是分批次可见的。当把ＤＣＮＮ直接在新数据上进行训练??时，它在旧数据上学到的知识会很快被遗忘，这种现象被称为灾难性忘记??（Ｃａｔａｓｔｒｏｐｈｉｃ?Ｆｏｒｇｅｔｔｉｎｇ）。因此需要设计一种学习方法，能够训练得到一个??ＤＣＮＮ在分批次可见的不同任务或类别上表现良好。??综上所述，作为计算机视觉的基础任务，图像分类具有重要的研宄意义，然??而目前基于ＤＣＮＮ的图像分类方法存在很多不足。本文针对上述提到的问题进??行了深入的探索


本文编号：3514239