基于迁移学习和卷积神经网络的二维形状识别

发布时间：2023-01-12 21:26

　　形状信息是物体最直观、重要的描述,其表示与识别是计算机视觉领域的基本问题。然而真实世界的形状往往存在各种变化,包括噪声、形状变形、遮挡和同类形状间的差异等。这些变化给传统基于手工特征如形状上下文、形状签名等的形状表示和识别方法带来很大的挑战。近年来,随着深度学习相关技术的突破性发展及广泛应用,利用深度网络来进行形状的表示及识别成为一个新兴研究内容。不过,在二维形状相关的应用场景中,深度网络的发展目前还存在一些问题。第一,具备标签的二维形状数据往往是有限的,仅可用于训练浅层的神经网络,而浅层网络表示能力有限,实验中识别准确率不高;第二,现有方法多数为自行构建的网络,其网络参数及实验结果一般较难复现,限制了这些方法的推广和应用;第三,数据增强是一种防止网络参数过拟合、提高识别准确率的有效方法,不过目前缺少针对于二维形状的数据增强方法。所以,如何在有限训练样本的前提下,利用深度神经网络模型解决二维形状数据的分析和识别,是值得进一步深入研究的课题。为了有效提高二维形状的识别准确率,本文基于卷积神经网络强大的特征提取和识别能力,结合迁移学习技术,提出了一种新型的二维形状识别模型TL-CNN。在T... 

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究现状及发展趋势
    1.3 论文的组织结构
    1.4 本章小结
2 相关研究内容的介绍
    2.1 卷积神经网络
        2.1.1 局部连接
        2.1.2 权值共享
        2.1.3 卷积神经网络模型
        2.1.4 网络训练过程
        2.1.5 AlexNet与VggNet
    2.2 迁移学习方法
        2.2.1 迁移学习的简述
        2.2.2 迁移学习的类别
    2.3 数据增强方法
    2.4 本章小结
3 基于迁移学习和卷积神经网络的形状识别
    3.1 问题分析与方法提出
        3.1.1 二维形状识别中典型问题分析
        3.1.2 本文解决思路
    3.2 TL-CNN识别框架
    3.3 TL-CNN的学习过程
        3.3.1 特征提取
        3.3.2 模型微调
    3.4 数据增强方法
        3.4.1 方法综述
        3.4.2 膨胀与腐蚀
        3.4.3 距离场
        3.4.4 离散曲线演化
        3.4.5 其他方法
    3.5 本章小结
4 实验设计与结果分析
    4.1 实验环境
    4.2 数据集及参数介绍
    4.3 TL-CNN实验对比
    4.4 数据增强优化实验对比
    4.5 本章小结
结论
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果


【参考文献】：
期刊论文
[1]Trans Hist: Occlusion-robust shape detection in cluttered images[J]. Chu Han,Xueting Liu,Lok Tsun Sinn,Tien-Tsin Wong.  Computational Visual Media. 2018(02)
[2]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军.  计算机学报. 2019(03)
[3]弦特征矩阵:一种有效的用于植物叶片图像分类和检索的形状描述子[J]. 王斌,陈良宵,叶梦婕.  计算机学报. 2017(11)
[4]基于颜色和形状特征的彩色图像检索方法[J]. 孙君顶,崔江涛,毋小省,周利华.  中国图象图形学报. 2004(07)

博士论文
[1]物体检索与定位技术研究[D]. 姜文晖.北京邮电大学 2017
[2]基于形状分析的三维点云模型压缩[D]. 何辰.山东大学 2014
[3]迁移学习问题与方法研究[D]. 龙明盛.清华大学 2014



本文编号：3730476