卷积自编码器图像特征学习方法及其应用

发布时间：2022-01-24 11:57

　　在计算机视觉研究中,如何得到表示性强的抽象图像特征,是用计算机帮助人类理解图像语义信息的关键。传统图像特征提取依赖于人类对图像的理解手动提取特征,局限性较大。近年来,使用以卷积神经网络为代表的深度特征学习方法而自动学习图像特征,已经渐渐成为主流研究方向,然而训练深度卷积神经网络往往需要大量的有类标数据,获得这些有类标数据往往有着非常昂贵的成本,因此如何在半监督或弱监督条件下利用神经网络进行特征学习成为亟待解决的问题。本文对使用卷积神经网络架构的去噪自编码器网络展开研究,探求其在弱监督和自监督条件下的特征学习效果,给出在硬件资源不足时的解决方案,并描述其在显微图像识别问题上的应用。论文的主要工作包括:首先,针对图像有类标数据较少的问题,提出了一种可以利用无类标数据进行学习的自监督学习方法。该方法利用带对称跨层连接的卷积自编码器,通过“编码器-解码器”的结构学习图像特征,加入对称跨层连接向后传递图像细节,以保证网络在学习底层图像任务的时候能够学习到足够抽象的特征表示。其次,针对深层卷积自编码器的效率问题,提出了一种辅助训练方法,可以利用深层自编码器网络和深层图像分类网络,辅助训练浅层自编码... 

【文章来源】：南京大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图１．２：最早Ｌｅｃｕｎ等人提出用于解决手写字体分类的卷积神经网络??

第：章某ｆ对称跨足迮接个卷枳丨＇丨编码器的ｎ监忾特征学习??表?２．２：?ＣＩＦＡＲ－１０?和?ＣＩＦＡＲ－１００?分类准确率（％）?????ＣＩＦＡＲ－１０?ＣＩＦＡＲ－１００??ＥＬＵ?［５７］?９３．４５?７５．７２??ＲｅｓＮｅｔ?１６４?［８］?９３．３９?７４．８４??ＲｅｓＮｏｔ?Ｖ２?１００１?［３６］?９５．０８?７７．２９??Ｗｉｄ（＇?ＲｏｓＸｏｔ?［９］?９６．１１?８１．１５??随机初始化?９３．９５?７４．１１??尤跨Ｗ连接预训练?９２．０７?７０．２１??木／／法预训练?９５．１５?７５．４１??方法相近的准确率。注意到虽然本方法的准确率在某些情况下略低以Ｗｉｃｋ??ＲｅｓＮｏｔ丨９丨为代农的／／法，丨ＩＩ．考虑到木／／法所使川的分类Ｍ络只处１５?Ｗ个卷松??ｗ络，而Ｒ（、ｓＮ（、ｔ为代及的力－法则达到了儿ｉ－ｕｗ令：超过ｉ（）（）（）ｙ，丨人?１此作：今Ｇ??的研究中，将本方法的对称跨层连接思路和Ｒ＾Ｎｅｔ极深层网络训练思路结合钉??潜力达到更高的准确率。??图２．３：?ＣＩＦＡＲ－１０数据集ｈ预训练恢复效來??如２，３．３丨＋／中所讲，在这种实验条件Ｆ，没冇额外的无类数椐辅助训练，??ｗ此ｌｈ监柯Ｍ训练＂Ｊ■以被石？作？种初始化方法。此时除了敁终准确率之外，网??Ｉ！）??

第：获坫ｒ对称跨层迕接全卷积ｑ编码器的ｎ监督特征学习??ＩＩＢ１Ｉ１??ｉＨ－ｉＨｇｙＶＭＨｌＬ＾ｒ?■??画４＿｜??阁２．Ｇ：?ＰＡＳＣＡＬ?ＶＯＣ?２（）０７数据集上预训练恢Ｕ效汜??割网络的对应部分。在验证集ｉｌ的平均ＩＵ值如图２．７所示－??从图中可以看到，将分剌网络的解码器部分也采用本方法进行初始化能够??进－步提高最终分割效果。山」１丨前人多站Ｔ编码器－解码器Ｎ络结构的图像语??义分割／／法邰采川监ｆｕｗ川练初始化编丨ｍｕ「丄１２卜似对解ｗ器却彳丨：ｒｉ：仪使川??随机数初始化。该实验结果说叨，这类方法可以在使川监忾预训练初始化编码??２２??


本文编号：3606530