生物视觉启发的深度网络与图像检测识别研究

发布时间：2023-02-03 15:54

　　随着图像和视频等大数据的出现和GPU等硬件运算能力的提高,这些海量数据和强大的计算能力促进了深度学习理论和技术的发展,计算机视觉随之获得了新的发展机遇。同时,视觉识别,如图像检测、定位与识别,是计算机视觉的重要组成部分,而基于深度学习的神经网络模型在图像检测和目标识别等多个计算机视觉应用领域也取得了显著成果。计算机视觉和生物视觉,两者相互借鉴,相互启发是当前研究的热点。深度卷积神经网络也是生物视觉启发的成果,但计算复杂度和模型的超参数问题一直是一个重要的挑战。本文在借鉴神经科学探究人类视觉系统的研究成果基础上,分别对生物视觉记忆、视觉交互和视觉局部学习等机制进行研究,并将其应用到深度网络,进一步提出多种新颖的深度网络模型和智能检测识别算法。主要工作与成果如下:（1）论文从生物视觉系统的视觉衰减和视觉交互机制出发,深入研究了记忆衰减和交互机制特性,提出了一种生物视觉启发的视觉集成模型,进一步丰富了模型的特征。同时将其用于图像分类任务的算法实现,并在三个基准数据集和一个实际工业数据集上仿真实验。仿真实验结果表明,视觉集成模型能获得更好的特征并表现出优秀的识别性能。（2）深度卷积神经网络作为... 

【文章页数】：126 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究目的与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 主要研究内容和创新点
        1.2.1 主要研究内容
        1.2.2 创新点
    1.3 论文的章节安排
第二章 相关理论基础和方法
    2.1 引言
    2.2 生物视觉系统
        2.2.1 生物视觉结构
        2.2.2 生物视觉若干机制
    2.3 深度神经网络
        2.3.1 卷积神经网络
        2.3.2 循环神经网络
        2.3.3 自编码神经网络
    2.4 小结
第三章 生物启发的视觉集成计算模型
    3.1 引言
    3.2 视觉记忆衰减和交互机制的计算特征
        3.2.1 视觉记忆衰减机制
        3.2.2 视觉交互机制
    3.3 衰减交互集成计算模型
        3.3.1 VMVI-CNN算法思路及概述
        3.3.2 构建并行结构
        3.3.3 视觉记忆衰减模块
        3.3.4 视觉交互模块
        3.3.5 模型的学习过程
    3.4 算法仿真试验及结果分析
        3.4.1 实验数据集
        3.4.2 算法测试及对比结果
        3.4.3 实验分析与讨论
    3.5 小结
第四章 生物启发的视觉交互计算模型
    4.1 引言
    4.2 生物视觉机制依据
    4.3 视觉交互计算模型
        4.3.1 VIN-Net算法思路及概述
        4.3.2 自交互和相互交互模块
        4.3.3 多次交互模块
        4.3.4 自适应交互模块
        4.3.5 自全连接层和结果分类层
        4.3.6 模型的学习过程
    4.4 算法仿真实验和结果分析
        4.4.1 数据集介绍
        4.4.2 模型的评价指标
        4.4.3 实验结果
        4.4.4 算法性能比较
        4.4.5 分析与讨论
    4.5 小结
第五章 生物启发的分块卷积神经网络模型
    5.1 引言
    5.2 生物视觉的局部学习机制
        5.2.1 视网膜系统中的局部学习机理
        5.2.2 外侧膝状核中的局部学习机理
        5.2.3 视觉皮层的局部学习机理
    5.3 分块卷积神经网络计算模型
        5.3.1 无监督层次化特征分析
        5.3.2 局部学习模块
        5.3.3 深度特征编码架构
        5.3.4 模型的学习过程
    5.4 算法仿真实验和结构分析
        5.4.1 实验的相关设置
        5.4.2 实验结果和对比
        5.4.3 参数分析和讨论
    5.5 小结
第六章 生物启发的深度网络模型及实际应用解决方案
    6.1 引言
    6.2 实际纺织工业数据集及评估方法
        6.2.1 单标签下纺织工业数据
        6.2.2 多标签下纺织工业数据
        6.2.3 评价指标
    6.3 小样本数据情况下纺织疵点分类器的设计
        6.3.1 采用深度网络与压缩感知结合的织物疵点分类算法
        6.3.2 实验结果与分析
    6.4 单标签情况下纺织织物疵点检测算法的设计
        6.4.1 基于改进Faster RCNN算法的织物疵点检测算法的设计
        6.4.2 实验结果与分析
    6.5 多标签情况下纺织疵点分类器的设计
        6.5.1 生物视觉启发下集成模型用于多标签疵点分类
        6.5.2 实验结果与分析
    6.6 多标签情况下织物疵点检测算法的设计
        6.6.1 基于FPN算法的多标签织物疵点检测算法的设计
        6.6.2 实验结果与分析
    6.7 小结
第七章 总结与展望
    7.1 总结
    7.2 展望
参考文献
致谢
附录
    附录 A 攻读博士学位期间取得的成果
    附录 B 攻读博士学位期间参与的项目
    附录 C 攻读博士学位期间获得的奖励和荣誉


【参考文献】：
期刊论文
[1]一种新颖的基于生态网络计算的网络仿真平台[J]. 任立红,丁永生.  系统仿真学报. 2002(11)



本文编号：3734612