基于机器学习的图像标注系统的设计与实现

发布时间：2020-08-15 19:23

【摘要】：随着科技的发展,人类已经迈入了人工智能时代,越来越多的产品走向“智能化”。人工智能算法离不开大规模数据集的构建,因此各种各样的开源数据集应运而生。特定数据集的需求对数据标注系统提出了新要求。此外,数据标注是一项枯燥、费时的工作,如何利用已有技术提升标注的效率,也为标注系统的设计带来了挑战。为了满足特定的标注需求,本文设计并实现了一种基于机器学习的图像标注系统。该系统不仅能够满足手工标注的需求,也可以利用成熟的计算机视觉相关算法,完成初始自动标注,人工修改,从而大大提升标注效率。值得一提的是,该系统还具有较好的扩展性,为图像数据集的准备奠定了良好的基础。本文首先介绍了课题的研究背景和意义,确定了标注系统的主要工作。其次对系统设计与实现过程中应用到的相关技术和开源库进行了介绍与分析。然后介绍了图像辅助标注利用到的算法设计与分析,对现有的人体行为识别算法作出改进,并作出评估。随后本文描述了系统的需求,介绍了系统的总体架构设计,并将系统划分为图片预处理、人体关节点标注和运动阶段分类标注等子模块,结合时序图和流程图,阐述了各子模块的概要设计。在此基础上,介绍了每一个模块内部的详细设计与实现,利用类图和数据表展示了类中的方法实现。紧接着,对标注系统的各个功能进行了测试,描述了预期结果和实际结果。最后,对已完成的工作进行了总结,对下一步图像标注系统的相关工作进行了展望。
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP181
【图文】：

架构图,架构,算法,准确率

算法在ＵＣＦ５０数据集上将准确率从８４．５％提高到了邋９１．２％，在ＨＭＤＢ５１数据集逡逑上将准确率从４６．６％提高到了邋５７．２％。逡逑ＩＤＴ算法架构图如图２－１所示。ＩＤＴ算法非常经典，现在仍有其他方法和ＩＤＴ逡逑算法相结合的使用方式，并提升了一定的准确率。逡逑Ｔｒａｃｋｉｎｇ邋ｉｎ邋ｅａｃｈ邋ｓｐａｔｉａｌ邋ｓｃａｌｅ邋ｓｅｐａｒａｔｅｌｙ逦Ｔｒａｊｅｃｔｏｒｙ邋ｄｅｓｃｒｉｐｔｉｏｎ逡逑Ｄｅｎｓｅ邋ｓａｍｐｌｉｎｇ逦ｙ］一＂逦／Ｉ逡逑十一一邋１＇．逦逡逑、、逦Ｗｖ逦ＨＯＧ邋ＨＯＦ邋ＭＢＨ逡逑＼邋、逡逑图２－１邋ＩＤＴ算法架构图［Ｉ５］逡逑ＩＤＴ算法利用密集采样来选取特征点，跟踪并形成特征点的轨迹。轨迹的形逡逑状利用（Ａｐｔ，Ａｐ＆Ｋ）来描述，位移矢量定义为：逡逑}0＝（ｐｔ＋ｉ邋－邋Ｐｔ）邋＝邋0ｔ＋１－ｙｔ）逦（２－１）逡逑９逡逑

网络结构图,网络架构,网络结构,卷积

通过三维卷积从空间和时间两个维度提取特征，得到多个相邻帧间的运动信息。逡逑该模型通过输入的帧生成多个通道的信息，并最后将所有通道的信息组合起来，逡逑作为整体特征。３ＤＣＮＮ的网络架构图如图２－３所示。逡逑ｍｍｍｍ，逦－：逡逑ｒ邋ｆ邋％邋＼邋Ｖ＼、逡逑ｈａｒｄｗｉｒｅｄ邋？邋：逦ｃｏｎｖｏ诎ｏｎ邋？邋＾邋R%；．，ｗ，邋ｓｕｂｓａｍｐｌｉｎ＾逦ｃｏｒｖｄｕｔｋｎ邋欉．ｓｕｂｓａｍｐｉｉ＾邋＊，邋ｃｏｎｖｏｒｕｔｉｏｎ逡逑％邋％邋＼邋％逡逑■逦．逦，３．二２逦１３—逡逑Ｈｉ．逦Ｃ？？．逡逑３３＠６0ｘ４°逦２３＊２＠５４ｘ３４逦２３＊２＠２７ｘ１７逡逑图２－３邋３ＤＣＮＮ网络架构图［２２］逡逑Ｔｒａｎ［２３］等人在３ＤＣＮＮ的基础上，提出了邋Ｃ３Ｄ网络结构。他们一共提出了逡逑三个贡献：（１）三维卷积比二维卷积更适合时空特征的学习（２）对三维卷积来逡逑说，在所有层中使用３ｘ３ｘ３的卷积核的效果是最好的（３）提出了邋Ｃ３Ｄ模型。逡逑Ｃ３Ｄ有８个卷积层、５个池化层、两个全连接层，以及一个ｓｏｆｔｍａｘ输出层，在逡逑四个不同基准上的效果优于当时最先进的方法，并在另外两个基准上和当时最先逡逑进的方法效果相当。逡逑２．２．４逦ＲＮＮ邋方法逡逑递归神经网络（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋｓ

网络架构,北京邮电大学,学位论文

逦北京邮电大学工学硕士学位论文逦逡逑ＬＲＣＮ（Ｌｏｎｇ－ｔｅｒｍ邋Ｒｅｃｕｒｒｅｎｔ邋Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋＂Ｎｅｔｗｏｒｋｓ）网络，ＬＲＣＮ邋使用邋ＣＮＮ邋处理逡逑可变长视频输入，ＣＮＮ的输出被输入到一组ＬＳＴＭ中，最后生成一个变长的预逡逑测。ＬＲＣＮ的网络架构如图２－４所示。逡逑Ｉｎｐｕｉ逦Ｖｉｓｕａｌ逦Ｓｅｑｕｅｎｃｅ邋Ｏｕｔｐｕｔ逡逑Ｆｅａｔｕｒｅｓ邋Ｌｅａｒｎｉｎｇ逡逑

【相似文献】