圖像分類主要根據(jù)圖像的特征屬性對(duì)圖像進(jìn)行自動(dòng)分類.受光照、尺度變化等因素的影響,如何提取圖像特征并對(duì)圖像進(jìn)行有效表示成為圖像分類的主要研究問題.稀疏編碼是一種高效的特征表示方法,它通過尋找一組超完備字典基向量,求得特征基于字典基的重建系數(shù),在圖像分類上取得了較好的性能.然而,稀疏編碼的研究仍存在不足之處,比如忽略了字典基之間的群效應(yīng),歐氏距離不能很好地度量特征向量與字典基之間的距離,以及Laplacian正則項(xiàng)忽略了特征的空間拓?fù)浣Y(jié)構(gòu)信息,導(dǎo)致特征的泛化能力較弱等.此外,與基于深度學(xué)習(xí)的方法相比,單層模型的特征學(xué)習(xí)能力具有一定的局限性,它難以發(fā)現(xiàn)數(shù)據(jù)的深層特征.本文主要圍繞稀疏編碼和深度學(xué)習(xí)進(jìn)行研究,分別對(duì)上述問題提出相應(yīng)的解決方法,并對(duì)標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行了一系列綜合實(shí)驗(yàn).本文的主要研究工作和創(chuàng)新點(diǎn)如下:1.針對(duì)₁l范數(shù)只考慮編碼的稀疏性而忽略群效應(yīng)問題,提出基于彈性網(wǎng)和直方圖相交的稀疏編碼方法.在編碼的優(yōu)化函數(shù)中引入₂l范數(shù)作為正則項(xiàng),能夠獲得類似₁l范數(shù)的稀疏性,且考慮群效應(yīng).并且通過引入直方圖相交,重新定義特征向量與字... 

【文章來源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

VQ、SC和LLC的編碼示意圖[20]

10由于同時(shí)優(yōu)化目標(biāo)函數(shù)中的U和S,該問題是非凸的,這樣很難找到一個(gè)全局最小值,但交替優(yōu)化U或S該問題是凸的,就會(huì)存在全局最優(yōu)解.圖2-2Laplacian矩陣的結(jié)構(gòu)示意圖[48]2.3深度學(xué)習(xí)及相關(guān)模型深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域所表現(xiàn)的優(yōu)越性使得深度學(xué)習(xí)方法近年來成為了圖像處理及分類方法的熱點(diǎn)研究方法,通過深度神經(jīng)網(wǎng)絡(luò)直接從數(shù)據(jù)中學(xué)習(xí)特征對(duì)于視覺識(shí)別變得越來越流行.本節(jié)首先對(duì)深度學(xué)習(xí)進(jìn)行簡(jiǎn)單地介紹,然后對(duì)具有代表意義的一種經(jīng)典深度學(xué)習(xí)模型進(jìn)行詳細(xì)地介紹.2.3.1淺層學(xué)習(xí)到深度學(xué)習(xí)機(jī)器學(xué)習(xí)的發(fā)展歷程由淺層至深度[49].淺層學(xué)習(xí)模型基本上含有一個(gè)隱藏節(jié)點(diǎn)或沒有隱藏節(jié)點(diǎn),采用反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)是最具代表性的一種淺層學(xué)習(xí)模型.90年代末,各類淺層模型相繼被提出,如最大熵方法、支持向量機(jī)(SupportVectorMachine,SVM)等淺層監(jiān)督學(xué)習(xí)模型,K-means、主成分分析等淺層無監(jiān)督學(xué)習(xí)模型.淺層學(xué)習(xí)模型雖然能夠較好的處理一些簡(jiǎn)單問題,具有原理簡(jiǎn)單,使用方便的優(yōu)點(diǎn),但淺層模型對(duì)復(fù)雜函數(shù)的表示能力有限[50],因此具有較弱的泛化能力.另外,淺層結(jié)構(gòu)缺乏發(fā)現(xiàn)數(shù)據(jù)中復(fù)雜結(jié)構(gòu)的能力,很容易出現(xiàn)欠擬合現(xiàn)象.相對(duì)于淺層學(xué)習(xí)模型,深度模型通過大量數(shù)據(jù)和多個(gè)隱含層來學(xué)習(xí)更有用和更高級(jí)的特征.因此,深度模型在特征學(xué)習(xí)方面具有較強(qiáng)的表達(dá)能力.與傳統(tǒng)的淺層學(xué)習(xí)模型不同,深度學(xué)習(xí)不僅強(qiáng)調(diào)了多隱層的深度結(jié)構(gòu),更重要的是突出了特征學(xué)習(xí)能力的強(qiáng)大性.深度模型通過逐層的特征提取,將原始數(shù)據(jù)的

11特征變換到一個(gè)新的特征空間,從而更容易實(shí)現(xiàn)分類或預(yù)測(cè)問題.特征學(xué)習(xí)是深度學(xué)習(xí)模型的核心問題,與復(fù)雜的人工特征提取方法比較,深度學(xué)習(xí)模型能夠有效刻畫數(shù)據(jù)的豐富內(nèi)在結(jié)構(gòu)信息.深度模型旨在學(xué)習(xí)不同的特征層次結(jié)構(gòu),同層可以保持?jǐn)?shù)據(jù)之間的空間平滑度,下層在上層的基礎(chǔ)上可以捕獲數(shù)據(jù)更多的空間信息,使得特征表示具有更強(qiáng)的魯棒性.深度學(xué)習(xí)包含卷積神經(jīng)網(wǎng)絡(luò)、自編碼器、受限玻爾茲曼機(jī)、深度置信網(wǎng)絡(luò)(DeepBeliefNetworks,DBN)[51]等算法.2.3.2卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)于不同的對(duì)象如圖像、文本、語音等,需要不同的網(wǎng)絡(luò)模型來獲得更好的結(jié)果.卷積神經(jīng)網(wǎng)絡(luò)作為一種深度前饋神經(jīng)網(wǎng)絡(luò),已在圖像識(shí)別領(lǐng)域成功地應(yīng)用.CNN本質(zhì)上是一個(gè)含有多個(gè)神經(jīng)元層的感知機(jī),它所采用的權(quán)值共享和局部連接的方式是其成功的關(guān)鍵.一方面減少了網(wǎng)絡(luò)模型參數(shù)的數(shù)量,降低了網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度,使得網(wǎng)絡(luò)更加易于優(yōu)化;另一方面過擬合的風(fēng)險(xiǎn)也大大降低.另外,圖像直接作為網(wǎng)絡(luò)的輸入也是卷積神經(jīng)網(wǎng)絡(luò)的一大優(yōu)點(diǎn),不需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理或特征提取.卷積層和池化層共同構(gòu)成CNN的特征提取器,降低了圖像識(shí)別問題中巨大數(shù)據(jù)量的維數(shù).LeCun最先將卷積神經(jīng)網(wǎng)絡(luò)成功地應(yīng)用于手寫字符識(shí)別中,并提出LeNet-5網(wǎng)絡(luò)模型.LeNet-5是最經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)之一,網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)比較簡(jiǎn)單.其網(wǎng)絡(luò)結(jié)構(gòu)如圖2-3所示.圖2-3LeNet-5網(wǎng)絡(luò)模型框架[40]LeNet-5網(wǎng)絡(luò)由輸入層、卷積層(C1,C3)、池化層(S2,S4)、全連接層和輸出層組成.C1卷積層對(duì)輸入圖像進(jìn)行特征提取,S2池化層可以防止模型出現(xiàn)過擬合并降低網(wǎng)絡(luò)訓(xùn)練參數(shù),最大值和平均值是常用的兩種池化操作.C3卷積層用

【參考文獻(xiàn)】：
期刊論文
[1]Two-stage local constrained sparse coding for fine-grained visual categorization[J]. Lihua GUO,Chenggang GUO,Lei LI,Qinghua HUANG,Yanshan LI,Xuelong LI.  Science China（Information Sciences）. 2018(01)
[2]基于多尺度特征融合Hessian稀疏編碼的圖像分類算法[J]. 劉盛清,孫季豐,余家林,宋治國.  計(jì)算機(jī)應(yīng)用. 2017(12)
[3]基于非負(fù)彈性網(wǎng)稀疏編碼算法的圖像分類方法[J]. 張勇,張陽陽,程洪,張艷霞.  計(jì)算機(jī)工程. 2017(07)
[4]非負(fù)局部約束線性編碼圖像分類算法[J]. 劉培娜,劉國軍,郭茂祖,劉揚(yáng),李盼.  自動(dòng)化學(xué)報(bào). 2015(07)

博士論文
[1]基于半監(jiān)督學(xué)習(xí)的木材識(shí)別研究[D]. 盧紀(jì)麗.山東大學(xué) 2015

碩士論文
[1]基于稀疏深度學(xué)習(xí)的圖像分類研究[D]. 張春磊.華北理工大學(xué) 2017
[2]基于深度學(xué)習(xí)模型的圖像分類研究[D]. 祝軍.寧波大學(xué) 2015
[3]融入直方圖相交核的局部稀疏編碼圖像分類算法研究[D]. 李盼.哈爾濱工業(yè)大學(xué) 2014
[4]基于稀疏編碼的半監(jiān)督圖像分類研究[D]. 陳漢英.中國科學(xué)技術(shù)大學(xué) 2014
[5]采用稀疏表示的大規(guī)模圖像檢索技術(shù)研究[D]. 李修志.蘇州大學(xué) 2012



本文編號(hào)：3212016