时频散射网络及其应用

发布时间：2021-04-13 19:41

　　近几年来,图像识别领域因为深度学习的迅猛发展有了很大的突破,其识别能力已经达到了语义层面,能够对图像进行高度概念化的分类。其中卷积神经网络的表现尤其优秀,是目前诸多研究的热点,也产生了许多成熟的应用。然而,其理论原理依然是模糊的,往往需要大量的样本训练,它在处理高度概念化的信息的同时,常常反而会对基础的图像识别表现不好。这三方面成了卷积神经网络（CNN）发展的重点解决对象。近年来,学者们提出了诸如可视化、数据增强、小波散射网络这类的解决方案。其中,小波散射网络（SCN）理论坚实,对数据样本的需求小,在诸多分类领域,如图像分类、音频识别上表现较好。考虑到其与卷积神经网络之间的结构的高度相似性,即卷积加非线性加平均的模式,小波散射网络也可以看做卷积神经网络的一类解释方案。小波散射网络（SCN）具有如此多的优点,那么就有进一步思考和探究的必要。本文探究散射网络结构的物理依据,卷积核在其中扮演的角色,在此基础上探讨一些本身具有优良性质的卷积核在散射网络中的适用性,最后,本文提出了以时频窗为卷积核的时频散射变换,作为小波散射变换的补充,并验证了其在理论上的有效性。具体内容如下:首先,探讨了小波散... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图3-1时频散射变换网络2LprRUrfH

哈尔滨工业大学工程硕士学位论文-39-第4章时频散射网络的实现及在图像分类中的应用在上面几个章节中，本课题讨论了时频散射卷积神经网络的构造原理与其性质，从构造原理和数学推导上证明了该变换在特征提取上的优势。在此基础上，本章节进一步讨论了该变换的应用方向，即在图像识别上的效果。本章首先提出时频散射变换的快速算法，并基于快速算法结合PCA（主成分分析）对纹理类图像进行特征提取与训练。最后，本章将得到的错误率与其他的图片识别分类算法，如小波散射变换加PCA，或者简单的卷积神经网络的分类错误率进行比对，然后比较验证时频散射变换的优越性。4.1时频散射网络的快速算法在将时频散射变换进行实际的使用的时候，本文发现，由于滤波器本身在频域的特性，在实际的算法使用过程中，没有必要对每个带通滤波并取模获取的信号进行完整的一套滤波器组的滤波。事实上，如果之前这一信号已经经过了更低频的带通滤波，那么对这一取模后的信号再进行更高频的带通滤波就是没有意义的，因为所获取的信息只会为0。出于这方面的考量，本文得到了更加节省算力而不会影响结果的快速算法。图4-1快速算法所用到的时频散射网络选取层数m=2，建立算法如下：LpinfHLprRUrfHrRUrf2LprRUrfH2rRUrf

哈尔滨工业大学工程硕士学位论文-42-图4-3随机选择的图片1表4-1图片1经过时频散射变换所获得的能量占原图百分比M=0M=1M=2M=3M=4M2Z=191.63080.124900091.7557Z=291.65990.52081.21e-040092.1808Z=391.71701.18570.00287.93e-16092.9055Z=491.86002.38930.01303.09e-111.39e-3294.2623表4-2图片1经过小波散射变换所获得的能量占原图百分比M=0M=1M=2M=3M=4M2J=195.18461.941200097.1258J=293.15162.32390.07100095.5465J=391.75082.58810.10439.05e-04094.4432J=490.99552.74890.12220.00181.03e-0593.8666图4-4随机选择的图片2表4-3图片2经过时频散射变换所获得的能量占原图百分比M=0M=1M=2M=3M=4M2Z=197.79900.038500097.8375Z=297.83250.13863.45e-050097.9711Z=397.90140.32958.19e-042.27e-16098.2317Z=498.10871.00390.00368.48e-122.34e-3399.1162表4-4图片2经过小波散射变换所获得的能量占原图百分比


本文编号：3135892