本文關鍵詞：基于目標的場景圖像表示及分類

  更多相關文章： 場景分類 圖像表示 語義分割 卷積神經網絡

【摘要】：在計算機視覺領域中,圖像的編碼表示一直是至關重要的技術之一。傳統的基于低層特征的圖像表示方法是有效可行的,且得到了廣泛的應用；然而,從人類認知的角度出發(fā),人類更多地傾向于基于目標的場景圖像表示方法。在本文中,我們針對場景圖像中的目標對象提出兩種高層的圖像表示方法,并成功將其應用在場景分類中。為了獲得圖像中所包含的目標信息,我們采用了圖像的標注信息和現存的語義分割算法,在此基礎上提出第一種基于目標的表示方法,并生成了兩種對應的場景分類模型。該目標表示方法主要包含三個部分：第一步,統計出圖像中所包含的目標信息,建立目標對象的特征直方圖；第二步,采用高斯混合方法建立目標的空間幾何先驗模型,從而建立整個圖像的空間幾何直方圖,抓取目標對象的位置信息和大小信息；第三步,構建共現直方圖抽取各個目標與目標之間共同出現的頻率、相對位置等特征信息。利用卷積神經網絡在目標檢測和識別中所表現的獨特優(yōu)勢,將場景圖像經卷積神經網絡處理,在此基礎上提出第二種基于目標的表示方法,并生成結合卷積神經網絡的目標表示分類模型。通過提取網絡中pool5層的特征,獲得圖像中的有關目標信息作為圖像的表示。在實驗中,我們依次對基于標注信息的目標表示模型、結合語義分割的目標表示模型、結合卷積神經網絡的目標表示模型進行了驗證,結果表明本文所提出的兩種基于目標的圖像表示方法是非常有效的。
【關鍵詞】：場景分類 圖像表示 語義分割 卷積神經網絡
【學位授予單位】：華東師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要6-7
• ABSTRACT7-10
• 第一章 緒論10-14
• 1.1 課題背景與研究意義10-11
• 1.2 場景分類的研究現狀及存在難點11-12
• 1.3 論文研究內容與創(chuàng)新點12-13
• 1.4 論文組織結構13-14
• 第二章 場景分類圖像表示及相關理論14-20
• 2.1 低層特征圖像表示方法14-16
• 2.1.1 局部特征14-15
• 2.1.2 全局特征15
• 2.1.3 低層特征比較分析15-16
• 2.2 語義特征圖像表示方法16-17
• 2.3 基于深度學習特征的圖像表示方法17-19
• 2.3.1 卷積神經網絡17-18
• 2.3.2 AlexNet網絡18-19
• 2.4 本章小結19-20
• 第三章 基于圖像標注信息的目標表示模型20-24
• 3.1 目標直方圖20-21
• 3.2 空間幾何直方圖21-22
• 3.3 共現直方圖22-23
• 3.4 本章小結23-24
• 第四章 結合語義分割的目標表示模型24-29
• 4.1 語義分割24-28
• 4.1.1 O2P算法25-27
• 4.1.2 O2P算法結果分析27-28
• 4.2 基于目標的圖像表示方法28
• 4.2.1 目標直方圖28
• 4.2.2 空間幾何直方圖和共現直方圖28
• 4.3 本章小結28-29
• 第五章 結合卷積神經網絡的目標表示模型29-37
• 5.1 卷積神經網絡各層特征分析29-34
• 5.1.1 ImageNet-CNN各層特征分析29-32
• 5.1.2 Places-CNN高層特征分析32-34
• 5.2 結合卷積神經網絡的目標表示34-36
• 5.2.1 VGG深度卷積神經網絡結構35
• 5.2.2 目標直方圖35-36
• 5.3 本章小結36-37
• 第六章 實驗37-53
• 6.1 結合標注信息的目標表示方法驗證37-41
• 6.1.1 LabelMe 8類室外場景庫38-40
• 6.1.2 MIT室內5類場景庫40-41
• 6.2 結合語義分割的目標表示模型驗證41-44
• 6.2.1 LabelMe 8類室外場景庫42-43
• 6.2.2 MIT室內5類數據庫43-44
• 6.3 結合卷積神經網絡的目標表示模型驗證44-49
• 6.3.1 VGG-16卷積神經網絡pool5層特征分析44-45
• 6.3.2 小數據集上結果比較分析45-47
• 6.3.3 大規(guī)模數據集上結果比較分析47-49
• 6.4 與其他方法的比較49-51
• 6.4.1 與低層特征方法的比較49-50
• 6.4.2 與語義特征方法的比較50
• 6.4.3 與其他結合卷積神經網絡分類方法的比較50-51
• 6.5 本章小結51-53
• 第七章 總結和展望53-54
• 附錄54-55
• 參考文獻55-60
• 致謝60

【相似文獻】

中國期刊全文數據庫 前10條

1 黃巍;陳傳波;鄭運平;吳雪麗;;可重疊矩形多值圖像表示及其上的幾何矩生成[J];計算機科學;2008年10期

2 陶金金;黃秀清;陸云;高強;;基于重疊矩形圖像表示方法的貝塞爾-傅里葉矩快速計算[J];軟件導刊;2013年07期

3 曹奎,馮玉才,王元珍;一種基于顏色的圖像表示及全局相似檢索技術[J];計算機研究與發(fā)展;2001年09期

4 程兵,賈新春,鄭南寧,袁澤劍;基于水平差集的多精度圖像表示及繪制[J];西安交通大學學報;2002年04期

5 黃巍;陳傳波;鄭運平;吳雪麗;;基于非對稱逆布局圖像表示的近鄰尋找算法[J];計算機工程與科學;2009年03期

6 舒振球;趙春霞;張浩峰;;局部敏感的稀疏概念編碼及其在圖像表示中的應用[J];計算機輔助設計與圖形學學報;2014年01期

7 康寅;楊文川;;圖像表示及在檢索系統中的應用[J];軟件;2011年01期

8 宋彥;蔣兵;戴禮榮;;基于多視覺碼本的圖像表示[J];模式識別與人工智能;2013年10期

9 劉艷麗,曹奎;一種基于PCA的圖像表示與檢索技術[J];計算機應用與軟件;2003年04期

10 張琳波;王春恒;肖柏華;邵允學;;基于Bag-of-phrases的圖像表示方法[J];自動化學報;2012年01期

中國重要會議論文全文數據庫 前1條

1 于萬波;趙慶賢;易欣;;基于神經網的圖像表示方法[A];中國圖象圖形學會第十屆全國圖像圖形學術會議（CIG’2001）和第一屆全國虛擬現實技術研討會（CVR’2001）論文集[C];2001年

中國重要報紙全文數據庫 前1條

1 池健;信息技術在設計工作中的反映[N];中華建筑報;2008年

中國博士學位論文全文數據庫 前10條

1 江波;基于圖理論與稀疏約束模型的圖像表示、匹配與識別[D];安徽大學;2015年

2 謝凌曦;基于局部特征的圖像表示模型理論與實踐[D];清華大學;2015年

3 朱杰;基于顏色詞袋模型的圖像表示方式[D];北京交通大學;2016年

4 李大瑞;基于大規(guī)模視覺模式學習的高性能圖像表示[D];中國科學技術大學;2014年

5 黃巍;基于可重疊矩形子模式的圖像表示和操作方法研究[D];華中科技大學;2008年

6 李亞峰;圖像表示的若干問題研究[D];西安電子科技大學;2011年

7 吳中;大規(guī)模圖像搜索中的圖像表示模型[D];清華大學;2010年

8 肖延輝;基于矩陣分解的圖像表示理論及其應用研究[D];北京交通大學;2014年

9 吳雪麗;基于斜面分解的非對稱逆布局圖像表示方法與處理算法研究[D];華中科技大學;2009年

10 鄭運平;基于Gouraud陰影法和多子模式的NAM圖像表示方法研究[D];華中科技大學;2008年

中國碩士學位論文全文數據庫 前3條

1 焦緒國;基于單層稀疏自編碼和支持向量機的場景分類[D];重慶大學;2015年

2 羅序輝;基于目標的場景圖像表示及分類[D];華東師范大學;2016年

3 陸永亮;基于偏微分方程和多邊形的非對稱逆布局圖像表示方法研究[D];華中科技大學;2009年

，

本文編號：905121