基于生成网络和分类器融合的小样本立体目标识别

发布时间：2021-09-24 00:50

　　最近几年,人工智能迎来了飞速发展的黄金时期,与此同时,目标识别技术作为其研究内容的一个重要方向,从最初的图像特征提取并结合机器学习分类器到非常流行的深度学习方法,目标识别的效果一直在不断地提升。除了人工智能技术,共享经济也已经充分融入到我们日常生活当中,共享积木玩具也逐渐走进大家的视野。由于积木零件种类繁多,在积木玩具归还问题上,人工清点积木零件效率低下,利用计算机识别积木玩具成了一个非常有价值的研究方向。本文主要以立体目标识别为研究课题,并以任意姿态下的积木玩具识别为例,针对课题及研究过程中碰到的问题展开了一系列研究,主要工作如下:（1）提出了基于改进多特征的分类器融合立体目标识别算法。通过改进方向梯度直方图算法以及自定义图像特征,融合多个分类器进行立体目标识别。以积木零件识别问题为例,验证了本章算法在实际应用场景中能够对任意姿态的立体目标取得很好的识别效果,也通过对比实验证明了本章算法的优越性。（2）使用基于迁移学习和精简网络结构的方法来提升小规模样本数据集下分类网络的性能。在实际应用过程中,训练样本的规模是制约网络性能的一个重要方面。本文研究了在小规模训练集的情况下,使用迁移学习... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：102 页

【学位级别】：硕士

【部分图文】：

二维数据空间SVM分类示意图

函数的方法，将原始问题转变到高维空间，再使用线性分类的方法进行分类，过程如图 2.3 所示。比较常用的核函数有线性核，高斯核以及其他核函数。图2.3 低维数据通过核函数映射到高维空间示意图令 (.)表示空间映射关系，那么最终的求解公式就可以表示为(2-9)所示：2,1min2. . ( ( ) ) 1, 1, 2,...,w bTi is t y b i m ww x(2-9)SVM 通过构造最大分类间隔的分类超平面来提高算法的鲁棒性，保证了其学习的模型具有较好的泛化能力。SVM 的分类超平面主要有由少量支持向量所决定，这样的构造方式可以帮助我们抓住重要样本、减少冗余样本的干扰。SVM在拥有诸多优点的同时也存在着一些有待改进的地方。SVM训练速度较慢，其速度和函数维数呈指数变化；此外如果在训练集中存在部分噪声数据的话，会对SVM 分类平面的选择造成较大干扰[24]。SVM 的核函数选择也是一大难题，它缺乏统一的理论指导，很大程度上依赖于使用者的经验。2.2.2 随机森林随机森林是在 2001 年首次被提出[5][23]

西安电子科技大学硕士学位论文成猫的真实图片，如图 2.14 所示。Pix2pix 网络模型通过训练之后就可条图翻译到真实图片的功能，pix2pix 网络的能力远不止将线条变为猫很多其他的任务，例如卫星地图转变为二维地图等。Pix2Pix 网络能取能力不仅得益于网络结构上的设计，也得益于它训练数据的组成方式。


本文编号：3406764