基于卷积神经网络的房树人绘画图像分类研究

发布时间：2020-05-12 22:14

【摘要】：目的:针对房树人绘画评定的主观性问题,本研究应用深度学习领域成熟的技术-----卷积神经网络,摒弃传统房树人绘画评定过程中依赖研究者经验提取绘画特征和分类的做法,使用卷积神经网络模型自动学习房树人绘画图像特征,对绘画图像做出反映被试心理行为的正常与异常二分类。方法:(1)本研究在湖南浏阳、耒阳、长沙等地抽取1074名5--8年级中小学生,填写Achenbach青少年行为自评量表并完成房树人绘画测验。依据量表开发者和国内相关研究的量表得分划界准则,把房树人绘画样本划分正常与异常两类,产生有监督的房树人绘画数据集。(2)使用卷积神经网络模型作为图像的特征与分类的方法,以绘画图像的像素为输入特征(自变量,feature),分类结果为标签(因变量,label),放入卷积神经网络模型中。经过卷积、池化、全连接、分类输出等运算操作,从底层像素矩阵特征到高级语义特征映射,自动学习到房树人绘画的图像特征,对房树人绘画图像反映的青少年心理行为做出正常与异常的分类。结果:(1)依据Achenbach青少年行为自评量表的划界标准,把1074个被试划分为正常和异常两类,其中211个划归为异常样本,863个划归为正常样本,总分异常检出率为10.4%,8个问题因子至少有一个得分超出临界值的学生占测验总人数的20.58%。(2)卷积神经网络经过数轮的迭代,模型的损失值和正确率基本趋于稳定,训练集和测试集的分类正确率在0.90左右,ROC曲线下面积为0.833,F1值为0.89,表明房树人绘画图像的分类具有一定的准确性,模型具有较好的分类性能。结论:(1)Achenbach青少年行为自评量表对湖南三个地区中小学生测评的心理行为异常检出率与国内的其他研究吻合。(2)无需心理或临床专家经验提取房树人绘画特征,应用卷积神经网络模型有效对房树人绘画图像表征的心理行为进行分类,验证了该技术对房树人绘画测验图像分类诊断的有效性。
【图文】：

图４－１量表、房树人绘画图像、卷积神经网络的关系图逡逑

过程图,不同类,训练样本,数目

收集的中小学生房树人绘画为Ａ４大小，使用打印机扫描后存为４６８０＊３３０７三逡逑个色彩通道的图片。图片包含细节较少，且像素维度太大，模型在训练过程中消逡逑耗过多的显卡内存资源，统一缩小为２５６＊２５６的ＲＧＢ图片。如图４－２所示：逡逑0１逦逡逑５０邋■逡逑］）｜邋ｌｓｒ邋ｒａｉ逡逑－逡逑２５０－［逦ｔ逦＿逦ｔ逦ｔ逡逑Ｑ邋５０逦１００逦１５０逦２００逦２５０逡逑图４－２房树人绘画图像逡逑不同类别的训练样本数目差异过大，会对模型学习过程造成干扰，同时不利逡逑于模型性能评估［５７］，本文依据量表标注的异常样本占２０．邋５８％，正负类的比例约逡逑四比一，为了分类的准确性，采用过采样（ｏｖｅｒｓａｍｐｌｉｎｇ）技术，对异常样本进行逡逑９０和１８０旋转。得到异常与正常基本均衡的二分类数据共１４９８份，其中正类（正逡逑常组）８６５个，负类（异常类）６３３个，，最终进入模型训练的绘画图像如表４－６逡逑所示。逡逑表４－６过采样前后样本量逡逑原样本邋过采样邋输入逡逑异常逦２１１逦４２２逦６３３逡逑正常逦８６５逦—逦８６５逡逑总样本逦１０７４逦—逦１４９８逡逑１８逡逑
【学位授予单位】：湖南师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：B848

【参考文献】