發(fā)布時(shí)間：2021-08-18 20:45

　　圖像精細(xì)分類是計(jì)算機(jī)視覺領(lǐng)域中最重要研究方向之一。近年來隨著深度學(xué)習(xí)技術(shù)的發(fā)展,圖像精細(xì)分類的效果有了顯著提升。但是搭建這些分類模型仍需要大量的人力對(duì)圖像數(shù)據(jù)進(jìn)行類別標(biāo)注。因此如何使用少量樣本或更容易獲取的數(shù)據(jù)替代人工標(biāo)注的數(shù)據(jù)是研究者們探討的重點(diǎn)。同時(shí),通過互聯(lián)網(wǎng)平臺(tái)可以較為輕松地獲取大量的弱標(biāo)簽數(shù)據(jù),但是由于弱標(biāo)簽數(shù)據(jù)的真實(shí)標(biāo)簽難以確認(rèn)而難以得到有效利用。針對(duì)此情況,本文從以下幾個(gè)方面進(jìn)行探討,提出了一些利用弱標(biāo)簽數(shù)據(jù)生成有標(biāo)簽數(shù)據(jù)并優(yōu)化圖像精細(xì)分類模型的方法。1.針對(duì)從互聯(lián)網(wǎng)獲取的圖像數(shù)據(jù)類別標(biāo)簽或圖像內(nèi)容不準(zhǔn)確的問題,本文提出了一種基于混淆概率評(píng)估的弱標(biāo)簽數(shù)據(jù)標(biāo)注方法。利用網(wǎng)絡(luò)爬蟲技術(shù)在各個(gè)搜索引擎上獲取大量帶有文本信息的圖像數(shù)據(jù)后,通過預(yù)測(cè)分類模型對(duì)不同類別樣本的混淆概率,判斷出大量分類模型難以識(shí)別的標(biāo)簽正確的樣本。相比直接判斷樣本標(biāo)簽的方法,本文方法有效降低了數(shù)據(jù)資源的浪費(fèi)和數(shù)據(jù)的采集成本。2.以往訓(xùn)練圖像分類模型需要事先獲取所有圖像數(shù)據(jù)的類別標(biāo)簽。這樣的訓(xùn)練模式使數(shù)據(jù)搜集和模型優(yōu)化不能同時(shí)進(jìn)行。針對(duì)此問題,本文提出一種支持在線學(xué)習(xí)的分類模型訓(xùn)練方法,只需使用少量有標(biāo)簽的數(shù)... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

傳統(tǒng)圖像識(shí)別，從左往右為（a）花、（b）鳥、（c）貓、（d）蝴蝶

浙江工業(yè)大學(xué)碩士學(xué)位論文要耗費(fèi)大量的人力和時(shí)間，是數(shù)據(jù)采集過程中最困難的環(huán)節(jié)之是當(dāng)下最廉價(jià)的數(shù)據(jù)來源之一，人們通過關(guān)鍵詞檢索可以輕松量數(shù)據(jù)。由于網(wǎng)絡(luò)資源和搜索引擎自身的限制，通過關(guān)鍵詞檢中往往會(huì)出現(xiàn)圖像內(nèi)容與管檢測(cè)不匹配的情況。但這仍然是獲便捷的方式。如果只用少量的有標(biāo)簽樣本訓(xùn)練，分類模型往往化能力。通常的機(jī)器學(xué)習(xí)方法很難有效利用那些廉價(jià)的弱建模型的成本高，而且對(duì)數(shù)據(jù)資源造成了極大的浪費(fèi)。因此，，利用弱標(biāo)簽數(shù)據(jù)改善分類模型的性能是目前計(jì)算機(jī)視覺研究。

紹關(guān)于深度卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)，節(jié)中詳細(xì)介紹。稱神經(jīng)網(wǎng)絡(luò)，是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)分從而完成對(duì)特定任務(wù)的數(shù)據(jù)學(xué)習(xí)規(guī)律的腦的神經(jīng)系統(tǒng)，所以神經(jīng)網(wǎng)絡(luò)通過大量算是基于統(tǒng)計(jì)學(xué)方法來實(shí)現(xiàn)的，因此神用來解決包括如自然語言處理、計(jì)算機(jī)組成是神經(jīng)元。1943 年由美國(guó)心理學(xué)家 McCulloch 和數(shù)學(xué)型（McCulloch-Pitts）。M-P 模型的結(jié)構(gòu)種簡(jiǎn)單的邏輯器件來實(shí)現(xiàn)算法的簡(jiǎn)單模從而才有了后來的神經(jīng)網(wǎng)絡(luò)算法。

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)的精細(xì)圖像分類[J]. 楊國(guó)亮,王志元,張雨.  江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的商品圖像精細(xì)分類[J]. 賈世杰,楊東坡,劉金環(huán).  山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(06)
[3]一種適合弱標(biāo)簽數(shù)據(jù)集的圖像語義標(biāo)注方法[J]. 田楓,沈旭昆.  軟件學(xué)報(bào). 2013(10)



本文編號(hào)：3350597