基于深度迁移学习的图像分类方法研究

发布时间：2020-07-25 19:44

【摘要】：随着深度学习的不断发展,卷积神经网络在通用对象分类任务方面取得重大突破。相比于人工定义特征的分类方法,基于深度卷积神经网络的分类方法具有更强大的特征提取和图像表征能力,能够获取更准确、稳定的分类效果。然而,图像识别方法应用于从同一分布中提取的训练数据和测试数据时具有良好性能,但在现实场景中并不适用从而导致精度降低。与此同时,在实际应用中,不仅要从图像中识别出目标基本类型,还需进行细粒度图像分类。现有的细粒度分类模型除了使用图像的类别标签,还使用部件标注点或目标标注框等额外信息。本文对基于深度迁移学习的图像分类方法展开研究,通过基于注意力迁移机制的联合平衡方法提高领域自适应图像分类效果,并深入分析层次化的深度迁移学习方法以提高细粒度微数据集图像分类效果。本文主要研究内容如下:1.阐述深度迁移学习的研究背景和现状。针对传统的迁移学习方法进行深入的分析与研究,包括其中的关键技术和重要理论。详细描述卷积神经网络的组成、特性及优化方法,论述经典卷积网络的原理及特点。对深度迁移学习图像分类的常见方法及其特点进行系统的分析,详细对比迁移学习领域自适应中若干经典方法的优劣。2.通过对数据分布的分析,通过领域自适应深度迁移学习方法,使用注意力迁移机制和联合平衡领域自适应将源域有标签数据中提取的图像特征迁移至无标签的目标域。首先,使用注意力迁移机制将有标签源域数据的空间类别信息迁移至无标签的目标域。本文通过定义卷积神经网络的注意力,使用关注信息来提高图像识别精度。然后,基于目标数据集引入网络参数的先验分布,并且赋予网络自动调整每个领域对齐层特征对齐的能力。最后,通过跨域偏差来描述特定领域的特征对齐层的输入分布,定量地表示每层学习到的领域适应性程度。本文方法不仅在多数公开数据集上获得较高的识别精度,而且远优于传统手工特征方法。3.针对细粒度样本标签获取成本高,数据集类间差异较小而类内差异较大的问题,通过深度迁移学习模型,将大规模有标签细粒度数据集上学习到的图像特征有效地迁移至细粒度微数据集中。首先,通过衔接域定量计算域间任务的关联度。然后,根据度量反馈调整源域卷积神经网络,以便选择适合于转移到目标域的任务特定特征。最后,使用细粒度数据集视图类标签表示多任务学习的细粒度数据固有属性,从而进行辅助学习,通过联合学习所有属性来获取更多的特征表示。实验表明微数据集深度迁移学习方法不仅可以获得较高图像分类精度,而且能够有效减少模型训练时间,同时也验证了进行域间特征迁移可以加速网络学习与优化这一结论。
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18
【图文】：

网络结构图,网络结构,卷积

深度卷积网络是深度学习领域最常用的一类网络模型，适合处理图像等以矩阵方式存储的具有局部相关性的信息。由于构建一个性能良好的深度卷积网络通常需要大量样本数据，因此，深度卷积神经网络模型内存占用量高，传输耗时长。近年来，深度卷积网络在计算机视觉领域取得了令人振奋研究成果，在图像分类领域取得了令人瞩目的应用效果，大数据时代的到来为深度学习的发展和应用提供了良好的契机。就目前而言，与深度学习领域相关联的理论、模型、技术以喷井之势大量涌现，精彩纷呈。AlexNet[20]是 ILSVRC 竞赛中针对图像分类问题而提出的一种深度卷积网络模型，ILSVRC 中的分类问题使用 ImageNet 数据集中 1000 个类别的 120 多万张图像作为数据集。虽然该类别数目比整个 ImageNet 数据集小得多，但是形如LeNet5 等的传统卷积网络依然难以完成如此大规模的分类任务。2012 年的ILSVRC 竞赛 AlexNet 模型引起了人们对深度卷积网络的广泛关注，它以远优于第二名的成绩夺得 2012 年 ILSVRC 的冠军，AlexNet 模型的网络结构如图 2.1 所示。

特征图,基本结构,特征矩阵,卷积

图 2. 2 卷积神经网络基本结构Fig 2.2 convolutional neural network architecture卷积是矩阵的线性运算，主要用于实现对图像等输入数据的特征提取，出相应的特征图。卷积操作的计算过程相当于将矩阵中参与卷积的子阵对齐，再将对应位置元素相乘并求和，具体过程如图 2.3（b）所示核的移动设定为不同的步长，步长越大则所得特征矩阵规模越小且数据上元素对特征矩阵的贡献亦较小，甚至会丢失部分边界信息。因此，通充操作，即在原始数据周围补充元素。

示意图,卷积计算,示意图,特征矩阵

合肥工业大学专业硕士研究生学位论文图 2. 2 卷积神经网络基本结构Fig 2.2 convolutional neural network architecture卷积是矩阵的线性运算，主要用于实现对图像等输入数据的特征提取，获得并输出相应的特征图。卷积操作的计算过程相当于将矩阵中参与卷积的子区域与矩阵对齐，再将对应位置元素相乘并求和，具体过程如图 2.3（b）所示。将卷积核的移动设定为不同的步长，步长越大则所得特征矩阵规模越小且数据矩阵边界上元素对特征矩阵的贡献亦较小，甚至会丢失部分边界信息。因此，通常进行填充操作，即在原始数据周围补充元素。

【相似文献】