基于CNN的目标区域提取和细粒度图像分类的研究

发布时间：2023-06-16 20:58

　　图像分类是计算视觉中重要的一部分,从发展之初到现在已经取得巨大的进步。在大类别分类中前五的正确率已经有90%以上,超过了人类现有的水平。在同一大类别内的子类分类的性能已经到达80%以上,但是还没有达到专业的水平,并且这些模型往往只针对特定的数据集,可能不具有广泛性。现阶段的细粒度图像分类算法主要分为两步,第一步是找出目标对象的区域或者目标对象关键部位的区域,第二步将找出的区域用于特征提取作为分类器的输入进行训练。在第一步中现有的细粒度算法使用人工标注的信息来对输入图像进行区域提取,这样的代价往往是昂贵的。在第二步中现有的细粒度图像分类算法使用单一的卷积神经网络进行分类训练,单一的卷积神经网络可能对一些特征的提取不完善。本文主要使用弱监督的区域提取算法提取目标区域,再用CNN提取目标区域的特征进行细粒度分类。本文有两个主要工作:第一个是使用现有网络的一些特性在无人工标记信息的情况下尽可能的降低噪声(噪声对象处于前景或者所占图像面积大于目标对象)对图像分类带来的影响,并在此基础上尽可能的保留住目标对象的重要特征区域,生成裁剪图像。在ImageNet图像集上进行训练的网络模型已经能够很好的区...

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究的背景和意义
    1.2 研究现状
        1.2.1 卷积神经网络概述
        1.2.2 细粒度图像分类概述
        1.2.3 区域提取算法概述
        1.2.4 当前图像分类主要研究方向
    1.3 现有区域提取和细粒度分类的不足
    1.4 本文组织结构与创新点
        1.4.1 本文的组织结构
        1.4.2 本文模型结构
        1.4.3 本文创新点
第二章 相关内容综述
    2.1 卷积神经网络的基本组成
    2.2 经典卷积神经网络
        2.2.1 AlexNet
        2.2.2 ZF Net
        2.2.3 VGG Net
        2.2.4 GoogLeNet
        2.2.5 ResNet
        2.2.6 DenseNet
    2.3 典型的细粒度图像分类算法
        2.3.1 强监督：使用人工标注信息
        2.3.2 弱监督：只使用类别标签
    2.4 区域提取算法
        2.4.1 R-CNN
        2.4.2 SPP-Net
        2.4.3 Fast R-CNN
        2.4.4 Faster R-CNN
        2.4.5 特征金字塔FPN
    2.5 本章小结
第三章 基于CNN的弱监督区域提取算法
    3.1 特征的可视化与区域提取的意义
    3.2 本文提出的区域提取算法
        3.2.1 粗糙区域信息的提取
        3.2.2 高亮区域的选取
        3.2.3 阈值的自动选取与调整
    3.3 实验分析
        3.3.1 评判标准
        3.3.2 数据集
        3.3.3 区域提取算法的流程
        3.3.4 实验分析
    3.4 本章小结
第四章 基于预处理图像的分类器设计
    4.1 单CNN网络的细粒度图像分类模型
        4.1.1 对现有模型进行学习
        4.1.2 基于现有模型的改动
    4.2 多CNN网络的细粒度图像分类模型
    4.3 本章小结
第五章 总结与展望
    5.1 本文总结
    5.2 展望
参考文献
攻读硕士学位期间的科研成果
致谢



本文编号：3833972