基于深度神经网络的场景分类方法研究

发布时间：2017-09-18 02:39

  本文关键词：基于深度神经网络的场景分类方法研究

  更多相关文章： 场景分类 自编码 卷积神经网络 深度学习

【摘要】：场景分类,或场景识别,是场景理解领域一个重要的研究方向,其依据就是按照人类视觉的组织原理,将不同的场景图像按照其语义信息划为不同的类别。在场景分类领域,一直都是采取人工提取图像特征的方式,这种方式提取特征单一,不能很好描述各类场景,导致场景分类精度较低低。深度学习理论是建立在人工智能的基础之上,能够有效的描述图像的语义信息,准确地判断场景与场景和目标与目标之间的差异性和相似性。基于此种原因,本文采用深度神经网络的方法去自适应提取图像特征。分别采用自编码神经网络、人工神经网络以及卷积神经网络等模型来构造场景分类的方法,并在原来框架的基础之上进行改进。本文构造了一种新的基于自编码网络的分类方法用来识别室内场景。传统的人工神经网络在一些简单的识别领域中,如车牌识别和手写字符识别,取得了较好的识别效果,但是应用到场景识别中,识别效果不是很理想。针对这种情况,采用一种基于自编码神经网络由粗到精的分类方法,粗分类主要采用自编码神经网络进行预训练,人工神经网络粗识别;细分类则采用支持向量机进行分类,HOG特征作为图像描述子,并在MIT-67室内场景数据集上进行验证。本文构造了一种新的卷积神经网络框架。传统卷积神经网络网络结构规模较小,采用单标签值的方式进行监督训练,这种单标签的机制只适合表示简单的图像类别,不足以表示复杂场景的类别。针对这种问题,本文在传统卷积神经网络框架的基础上进行改进,卷积层和采样层分别采用Re Lu激活函数和Maxpooling采样,设有四个卷积层和四个采样层,一个全连接层,一个分类层,并采用一种多标签值的标签进行训练。整个训练和识别过程采用一个统一的框架,并在Scene-15场景集上进行验证。本文利用MATLAB2014B+Deep Learning master来完成实验设计,在自编码神经网络和人工神经网络的训练中,使用了L-BFGS算法库来调整权值。本文提出的两种方法分别用于室内场景和自然场景的分类与识别。由粗到精的分类方法更符合人类认识事物的规律,并且采用自编码神经网络预训练;卷积神经网络处理图像的方式和生物视觉相类似,采用扩展的网络结构和多标签值机制来改造网络。最后,本文的两种方法的测试结果与其他文献进行了比较,结果证明本文的方法具有一定效果。
【关键词】：场景分类 自编码 卷积神经网络 深度学习
【学位授予单位】：南昌航空大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP183
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 第1章 绪论8-18
• 1.1 场景分类研究背景和意义8-10
• 1.2 场景分类国内外研究现状10-16
• 1.2.1 图像特征层次化描述11-13
• 1.2.2 场景分类的一般方法13-15
• 1.2.3 场景分类的一般模型15-16
• 1.3 研究内容和创新点16
• 1.4 本文的组织结构16-18
• 第2章 HOG特征和机器学习理论18-28
• 2.1 方向梯度直方图(HOG)特征描述18-20
• 2.1.1 Gamma和颜色归一化18
• 2.1.2 计算梯度和方向18-19
• 2.1.3 在每个cells内构建梯度直方图19-20
• 2.1.4 块内归一化梯度直方图20
• 2.2 神经网络理论20-24
• 2.2.1 神经网络模型21-22
• 2.2.2 反向传播算法22-24
• 2.3 支持向量机理论24-27
• 2.3.1 分类理论25-26
• 2.3.2 核函数26-27
• 2.4 本章小结27-28
• 第3章 基于深度自编码网络由粗到精的场景分类28-38
• 3.1 引言28
• 3.2 相关工作28-30
• 3.3 本章由粗到精的分类方法30-35
• 3.3.1 粗分类训练31-34
• 3.3.2 细分类34-35
• 3.4 实验数据和结果35-36
• 3.4.1 实验参数设置35
• 3.4.2 实验环境和结果35-36
• 3.4.3 实验结果分析36
• 3.5 本章小结36-38
• 第4章 基于新型标签机制卷积神经网络的场景分类38-48
• 4.1 引言38-39
• 4.2 相关工作39-40
• 4.3 经典卷积神经网络结构40-41
• 4.3.1 卷积层41
• 4.3.2 采样层41
• 4.4 本章网络结构和标签41-43
• 4.4.1 本章卷积层和采样层42
• 4.4.2 本章分类层和标签42-43
• 4.5 实验和结果43-47
• 4.5.1 数据集的选取和处理43-44
• 4.5.2 实验设计44
• 4.5.3 实验结果44-46
• 4.5.4 结果分析46-47
• 4.6 本章小结47-48
• 第5章 总结与展望48-50
• 5.1 本文工作总结48-49
• 5.2 今后研究方向49-50
• 参考文献50-56
• 攻读硕士期间发表的论文和参加科研情况56-57
• 致谢57-58

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

2 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

3 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

4 胡婷;改进QGA-BP模型及其在弥苴河总氮量预测中的应用[D];昆明理工大学;2015年

5 刘俊辉;基于数据清洗方法的河道水位预测研究[D];昆明理工大学;2015年

6 刘波;短期风电功率预测方法研究[D];南京信息工程大学;2015年

7 蔡邦宇;人脸识别中单次ERP时空特征分析及其快速检索的应用[D];浙江大学;2015年

8 郑川;垃圾评论检测算法的研究[D];西南交通大学;2015年

9 李菊;BP神经网络在房地产批量评估中的应用研究[D];昆明理工大学;2015年

10 马亮;降水点分类预测方法研究[D];中国地质大学(北京);2015年

，

本文编号：872917