基于深浅层融合密连接网络多任务学习的绘画作品作者识别研究

发布时间：2025-02-08 11:37

　　随着博物馆数字化在全球范围内的发展,绘画作品的智能分析变得越来越重要,而对绘画作品作者的自动识别又是推进其数字化进程的关键环节。近年来,以卷积神经网络为代表的深度学习在图像处理领域取得了不错成绩,为该问题的解决提供了有效途径。在详细分析国内外相关研究的基础上,通过迁移学习、改进的密连接网络、多任务学习以及数据集的增强处理等技术,建立了一种多任务深浅层融合密连接神经网络模型并将它应用于解决绘画作品作者识别问题。该方法在面对数据集数目小、识别类别多的情况下具有好的特征学习能力和抗干扰能力。论文主要成果如下:1.针对训练集数据不足的问题,提出了基于迁移学习的深浅层融合密连接网络建模方法。为充分利用绘画作品的低级特征(如纹理、颜色、阴影等),建立了一种深浅层融合的密连接网络模型。使用自然图像ImageNet数据集作为预训练数据集,加载经预训练的模型参数后在绘画作品数据集上进一步训练以微调模型。该模型在原密连接网络的过渡层之前对特征图进行分离、卷积,池化后直接并联到最终的决策层,使得深浅层信息共同参与最终的识别决策。实验结果表明,在自然图像中学到的信息有助于提升模型对绘画作品作者的识别效果,而在多...

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图2.1LeNet的网络结构

浙江大学硕士学位论文第2章基于深浅层融合密连接网络的绘画作品作者识别研究8图2.1LeNet的网络结构LeNet第一次定义了卷积神经网络的基本结构：卷积层（ConvolutionalLayer）、池化层（PoolingLayer）和全连接层（FullConnectionLayer....

图2.2残差块的结构

浙江大学硕士学位论文第2章基于深浅层融合密连接网络的绘画作品作者识别研究10要将非线性的卷积层学习为直接映射要简单得多。这样的设计结构仅仅是相对于传统的卷积神经网络增加了一些捷径（shortcut），并没有增加参数数量和计算量，但能够使网络的学习难度下降，更加有利于网络的优化。图....

图2.3bottleneck设计结构图

浙江大学硕士学位论文第2章基于深浅层融合密连接网络的绘画作品作者识别研究10要将非线性的卷积层学习为直接映射要简单得多。这样的设计结构仅仅是相对于传统的卷积神经网络增加了一些捷径（shortcut），并没有增加参数数量和计算量，但能够使网络的学习难度下降，更加有利于网络的优化。图....

图2.7数据集的作品展示

浙江大学硕士学位论文第2章基于深浅层融合密连接网络的绘画作品作者识别研究15图2.7数据集的作品展示在图2.7中，前两幅作品分别为IlyaRepin,JohnSingerSargent所做，后两幅作品为PabloPicasso在不同时期的作品。正如图2.7所示，不同画家的作品有可....

本文编号：4031463