本文關鍵詞：弱標注環(huán)境下基于多標簽深度學習的加速圖像標注

  更多相關文章： 弱標注 圖像標注 多標簽深度學習 數(shù)據(jù)迭代

【摘要】：隨著數(shù)字信息技術不斷融入人們生活,各種圖像的數(shù)量增長迅猛,如何對這些海量的圖像進行有效的管理并從中挖掘出對用戶有用的信息成為亟需解決的問題。圖像的多標簽語義標注用自然語言來描述圖像,將對圖像的檢索轉(zhuǎn)換為人類易于理解的文本檢索,是解決以上問題的有效辦法。因此,圖像的多標簽語義標注越來越受到重視。當前多標簽圖像標注主要遇到兩個問題。一個來源于算法層面：基于傳統(tǒng)機器學習的算法特征提取十分復雜,需要有經(jīng)驗的人進行精心的特征選取;而基于多標簽深度學習的圖像標注雖然效果好且不需要人工進行特征提取和挑選,但是當前的深度學習模型往往由于計算量巨大導致CPU模式下標注速度過慢而實用性較差；一個來源于數(shù)據(jù)層面：真實環(huán)境中訓練數(shù)據(jù)集廣泛存在語義標簽集不完整問題,而且低頻語義標簽和高頻語義標簽的圖像數(shù)據(jù)分布十分不均衡,這種數(shù)據(jù)集稱為弱標注數(shù)據(jù)集,這種數(shù)據(jù)集的標簽不完整和語義分布失衡會嚴重的影響模型的學習效果。針對上述問題,本文提出了弱標注環(huán)境下基于多標簽深度學習的圖像加速標注方法。論文的主要工作如下：(1)針對深度卷積神經(jīng)網(wǎng)絡VGG-16速度過慢的問題,構(gòu)建了一種新的深度卷積神經(jīng)網(wǎng)絡：通過修改模型卷積核的步長等方法,減小每層的輸出維度,構(gòu)建出一個參數(shù)計算量約為網(wǎng)絡VGG-16近1/7的深度卷積神經(jīng)網(wǎng)絡New_Net;然后再對本文提出的網(wǎng)絡的相應卷積層進行奇異值分解(SVD),并構(gòu)建出參數(shù)計算量約為網(wǎng)絡VGG-16近1/10的分解網(wǎng)絡New_SVD_Net。本文提出的分解網(wǎng)絡在測試集上的平均準確率相比于網(wǎng)絡VGG-16降低2.5%,但是在CPU模式下處理單張圖片的速度卻加快了近6倍,大大提升了深度模型的實用性。(2)針對弱標注數(shù)據(jù)集環(huán)境的訓練數(shù)據(jù)集,設計了針對弱標注數(shù)據(jù)集的數(shù)據(jù)迭代優(yōu)化算法框架：通過補充低頻語義標簽的單標簽圖像數(shù)據(jù)的方法來提升深度卷積神經(jīng)網(wǎng)絡對低頻語義標簽的識別精度;通過得到的最終模型對原始訓練集進行預測標注,并與原始標簽集進行合并,其中預測標注步驟本文使用特征融合和KNN分類器替代softmax分類器進行了優(yōu)化。經(jīng)實驗證明,在相關數(shù)據(jù)集上,迭代優(yōu)化后的訓練數(shù)據(jù)集標簽個數(shù)相比原始標簽集增加近7%,經(jīng)網(wǎng)絡VGG-16和New Net進行學習至收斂后,在同樣測試集上的平均準確率提升約1.2%。論文工作已應用于騰訊優(yōu)圖開放平臺圖像識別等商業(yè)圖像識別服務,獲得良好的效果。
【關鍵詞】：弱標注 圖像標注 多標簽深度學習 數(shù)據(jù)迭代
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-10
• 1 緒論10-17
• 1.1 研究背景與選題意義10-12
• 1.2 圖像標注研究現(xiàn)狀12-14
• 1.2.1 圖像標注方法類別12-13
• 1.2.2 圖像標注關鍵問題13-14
• 1.3 深度學習的研究現(xiàn)狀14-15
• 1.4 本文主要工作及結(jié)構(gòu)安排15-17
• 2 圖像標注和深度學習相關知識17-38
• 2.1 多標簽圖像標注框架17-24
• 2.1.1 圖像特征提取18-20
• 2.1.2 多標簽分類算法20-22
• 2.1.3 弱標注環(huán)境下的圖像標注22-24
• 2.2 深度學習的基本概念24-26
• 2.2.1 淺層學習和深度學習25-26
• 2.3 深度學習模型26-31
• 2.3.1 卷積神經(jīng)網(wǎng)絡(CNN)26-29
• 2.3.2 深度卷積神經(jīng)網(wǎng)絡VGG-1629-31
• 2.4 基于多標簽深度學習的圖像標注31-35
• 2.4.1 基于多標簽學習的損失函數(shù)32-33
• 2.4.2 深度模型的訓練33-35
• 2.5 圖像標注的評價標準35-37
• 2.6 本章小節(jié)37-38
• 3 弱標注環(huán)境下基于多標簽深度學習的加速圖像標注38-57
• 3.1 深度模型的加速方法38-48
• 3.1.1 主要思路38-40
• 3.1.2 加速深度卷積神經(jīng)網(wǎng)絡的設計40-43
• 3.1.3 加速網(wǎng)絡卷積層的SVD分解43-48
• 3.2 結(jié)合深度學習的弱標注數(shù)據(jù)的迭代優(yōu)化48-56
• 3.2.1 基本思路48-50
• 3.2.2 算法框架模型50-52
• 3.2.3 特征融合和分類器優(yōu)化52-56
• 3.3 本章小節(jié)56-57
• 4 實驗驗證57-66
• 4.1 實驗環(huán)境的搭建57-59
• 4.2 加速模型實驗59-62
• 4.2.1 實驗數(shù)據(jù)59-60
• 4.2.2 實驗設計60-61
• 4.2.3 實驗結(jié)果以及分析61-62
• 4.3 迭代優(yōu)化實驗62-66
• 4.3.1 實驗數(shù)據(jù)62-63
• 4.3.2 實驗設計63-64
• 4.3.3 實驗結(jié)果以及分析64-66
• 5 總結(jié)與展望66-68
• 5.1 總結(jié)66-67
• 5.2 未來工作展望67-68
• 參考文獻68-71
• 作者簡歷及攻讀碩士/博士學位期間取得的研究成果71-73
• 學位論文數(shù)據(jù)集73

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 林茜卡;傅秀芬;滕少華;李云;;協(xié)同標簽系統(tǒng)的應用研究[J];暨南大學學報(自然科學與醫(yī)學版);2009年01期

2 吳超;周波;;基于復雜網(wǎng)絡的社會化標簽分析[J];浙江大學學報(工學版);2010年11期

3 吳金成;曹嬌;趙文棟;張磊;;標簽集中式發(fā)布訂閱機制性能分析[J];指揮控制與仿真;2010年06期

4 李曉燕;陳剛;壽黎但;董金祥;;一種面向協(xié)作標簽系統(tǒng)的圖片檢索聚類方法[J];中國圖象圖形學報;2010年11期

5 袁柳;張龍波;;基于概率主題模型的標簽預測[J];計算機科學;2011年07期

6 張斌;張引;高克寧;郭朋偉;孫達明;;融合關系與內(nèi)容分析的社會標簽推薦[J];軟件學報;2012年03期

7 王永剛;嚴寒冰;許俊峰;胡建斌;陳鐘;;垃圾標簽的抵御方法研究[J];計算機研究與發(fā)展;2013年10期

8 汪祥;賈焰;周斌;陳儒華;韓毅;;基于交互關系的微博用戶標簽預測[J];計算機工程與科學;2013年10期

9 顧亦然;陳敏;;一種三部圖網(wǎng)絡中標簽時間加權(quán)的推薦方法[J];計算機科學;2012年08期

10 趙亞楠;董晶;董佳梁;;基于社會化標注的博客標簽推薦方法[J];計算機工程與設計;2012年12期

中國重要會議論文全文數(shù)據(jù)庫 前6條

1 朱廣飛;董超;王衡;汪國平;;照片標簽的智能化管理[A];第四屆和諧人機環(huán)境聯(lián)合學術會議論文集[C];2008年

2 房冠南;袁彩霞;王小捷;李江;宋占江;;面向?qū)υ捳Z料的標簽推薦[A];中國計算語言學研究前沿進展（2009-2011）[C];2011年

3 梅放;林鴻飛;;基于社會化標簽的移動音樂檢索[A];第五屆全國信息檢索學術會議論文集[C];2009年

4 李靜;林鴻飛;;基于用戶情感標簽的音樂檢索算法[A];第六屆全國信息檢索學術會議論文集[C];2010年

5 駱雄武;萬小軍;楊建武;吳於茜;;基于后綴樹的Web檢索結(jié)果聚類標簽生成方法[A];第四屆全國信息檢索與內(nèi)容安全學術會議論文集（上）[C];2008年

6 王波;唐常杰;段磊;尹佳;左R，

本文編號：1018833