基于多尺度池化的卷积神经网络图像分类方法研究

发布时间：2020-10-24 04:44

　　 局部感受野、参数同享和池化方式的引入,使得卷积神经网络结构更加简略清晰,拟合参数更少,并且具有对抗数据集扭曲,平移,转动的特性。常规图像分类方式需要预先根据不通过任务不同数据集以人工或半人工形式提取特征,而卷积神经网络相反,是端到端的自主进行层次化的特征提取,因此具有更高的识别率和更广泛的实用性。卷积神经网络的涌现极大激励了计算机视觉和模式识别算法模型的更新换代,也鞭策了科研人员对图像分类识别算法的研究。传统卷积神经网络在逐层提取特征时存在随机性,向同一结构的卷积神经网络输入同一数据集也会提取到各异的特征。该特征差别可以扩充特征维度,有利于发掘图像的更深层次特征。根据分类数据集的不同,图像识别分类范畴可以划分为两块:粗粒度图像和细粒度图像(Fine-grained image categorization)的识别分类。顾名思义,细粒度图像互相间差异程度更微小,差异精度更高,细微的局部差异才是区分类别的关键,并且姿态,光照,遮挡,背景干扰等诸多未知因素对于细粒度图像分类的干扰更大;传统低秩复原模型忽略图像区域在空间和模式上的联系及相似的低秩矩阵和稀疏矩阵较难分开。基于以上问题,本文在优化池化组合的基础上,在另一子网络中引入自适应池化丰富差异特征,实现多尺度池化并提高特征表达层次,再根据互补测量函数测量子网络间的特征差异的互补性,把差异值作为微调阶段损失函数的惩罚项,反向传播微调模型参数,提高图像分类的精准度。而且为解决传统卷积神经网络在细粒度图像数据集上分类精度不高和细粒度图像分类中背景干扰和依赖强监督约束的问题,本文在多尺度池化的基础上引入了改进的显著性分析模型(将树形结构诱导范数和拉普拉斯正则化项引入低秩复原模型,提高该模型的前景检测精度,精确定位数据集样本中的显著区域,抑制背景干扰)。在MNIST和CIFAR-10图像集上的实验结果表明,基于多尺度池化的卷积神经网络的分类能力优于现有的深度卷积神经网络,并且在引入改进的显著性分析模型后,该算法在细粒度图像数据集Cars和Stanford Dogs上取得了86.83%和82.71%的精准度,比其他模型性能更好。以上试验结果表明,本文提出了一种基于多尺度池化和显著性分析的卷积神经网络分类算法,优于传统细粒度图像算法的分类精度,并且不需要人工标注信息,鲁棒性和通用性强。
【学位单位】：内蒙古科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183
【部分图文】：

(a)原图(b)子网络1特征图(c)子网络2特征图图4.1两子网络于池化层1提取的特征图本文在CIFAR-10样本中挑取图片进行差异验证。如图4.1所示，图像“猫”经过两个拓扑结构相同的CNN网络，经过各自第一个池化层就提取到了不同的特征表达。为了阐述两子网络间的特征差异确实存在并且足以被挖掘利用，通过计算初始图象与利用特征图反向重建的图像间差值的标准差来衡量。计算公式如下：211(r )Ni iiN (式4.1)其中，r和 各表示重建图与原图， N 表示每类样本图的总数。
【相似文献】

相关期刊论文 前10条

1 陶筱娇;王鑫;;基于深度学习算法的图像分类方法[J];微型电脑应用;2019年03期

2 李会民;马桂英;王延仓;;基于深度学习网络的水质图像分类[J];北华航天工业学院学报;2018年04期

3 彭娟;;特征选择和聚类分析的图像分类模型[J];现代电子技术;2017年19期

4 田凯;杜鹏;;基于C#的图像分类系统实现[J];数码世界;2017年08期

5 王科平;张志刚;;基于特征加权的自动图像分类方法[J];微型电脑应用;2014年01期

6 汪煜浩;华瑞林;;山地卫星图像分类制图方法研究[J];遥感信息;1987年04期

7 吴健;贾宏宇;;基于迁移学习的图像分类方法研究[J];河南科技;2018年31期

8 武慧琼;张素兰;张继福;胡立华;;一种基于三支决策的花卉图像分类[J];小型微型计算机系统;2019年07期

9 林泽文;;深度学习及其在图像分类识别中的运用探讨[J];信息与电脑(理论版);2018年12期

10 李舒;吴磊;;数据挖掘在医学图像分类中的应用[J];医学信息学杂志;2014年08期

相关博士学位论文 前10条

1 唐芃;基于弱监督学习的物体检测及其在图像分类中的应用[D];华中科技大学;2019年

2 张璐;基于深度空间特征学习的极化SAR图像分类[D];西安电子科技大学;2019年

3 杨宝庆;基于字典学习的图像分类算法及应用研究[D];上海交通大学;2017年

4 郑昱;面向大规模图像分类的层次化多任务学习算法研究[D];西安电子科技大学;2017年

5 郭雨薇;基于超像素表征和模糊特征学习的图像分类与识别[D];西安电子科技大学;2017年

6 李晓;基于迁移学习的跨域图像分类方法研究[D];西安电子科技大学;2017年

7 滑文强;小样本下的极化SAR图像分类问题研究[D];西安电子科技大学;2018年

8 张姝茵;基于判别性特征学习的极化SAR图像分类[D];西安电子科技大学;2018年

9 丁拥科;基于先验信息辅助的高分辨率SAR图像分类方法研究[D];上海交通大学;2017年

10 侯赛辉;图像物体的精细化分类方法研究[D];中国科学技术大学;2019年

相关硕士学位论文 前10条

1 彭媛;基于多线索特征融合的图像分类研究与应用[D];江苏科技大学;2019年

2 Zhe Min;[D];华中师范大学;2019年

3 高子翔;基于多尺度池化的卷积神经网络图像分类方法研究[D];内蒙古科技大学;2019年

4 廖牧鑫;基于卷积神经网络的果实蝇细粒度图像分类研究[D];江西农业大学;2019年

5 李景浩;基于迁移学习与深度卷积的图像分类研究[D];山东科技大学;2018年

6 刘新伟;基于深度学习的标签传播的图像分类研究[D];温州大学;2019年

7 齐冲冲;深度学习在积木零件分类中的研究[D];云南大学;2019年

8 周朋辉;基于机器学习的全天空极光图像分类与割方法研究[D];陕西师范大学;2019年

9 李代远;深度卷积信念网络在颅内CT图像分类中的应用[D];湖南师范大学;2017年

10 黄旭进;多层前向神经网络学习算法及其在图像分类中的应用[D];中国计量大学;2018年

本文编号：2854034