【摘要】：面對(duì)海量圖片,如何對(duì)圖片內(nèi)容進(jìn)行智能搜索分類是計(jì)算機(jī)視覺(jué)領(lǐng)域研究的一個(gè)經(jīng)典問(wèn)題。圖像分類是要求分辨出一張圖像中是否包含某種物體�；趦�(nèi)容的圖像分類技術(shù)主要分為三個(gè)步驟:對(duì)圖像進(jìn)行特征提取,對(duì)提取后的特征進(jìn)行特征表達(dá)和使用分類器進(jìn)行分類。為解決海量圖像難以智能搜索分類問(wèn)題,本文主要研究帽子多分類問(wèn)題,用于特定場(chǎng)合下智能搜索分類。首先本文研究和分析基于圖像內(nèi)容的經(jīng)典傳統(tǒng)圖像分類算法,分別是特征提取算法和分類算法,并實(shí)現(xiàn)KNN分類算法。實(shí)驗(yàn)結(jié)果表明:傳統(tǒng)的圖像分類方法準(zhǔn)確率和處理時(shí)間都不能滿足人們的需求,此外,對(duì)于復(fù)雜場(chǎng)景和圖像質(zhì)量不佳等情況的誤檢率特別高。之后,本文主要研究基于卷積神經(jīng)網(wǎng)絡(luò)的帽子多分類問(wèn)題,本文主要的研究?jī)?nèi)容如下:(1)針對(duì)帽子多分類問(wèn)題,研究并設(shè)計(jì)一個(gè)5層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),在設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)時(shí),增加一個(gè)BN層,同時(shí)將卷積層和BN層合并在一起。增加BN層的目的是它將數(shù)據(jù)歸一化后,能夠有效解決梯度消失與梯度爆炸問(wèn)題,同時(shí)能夠加速網(wǎng)絡(luò)收斂和控制過(guò)擬合。將卷積層合并BN層的目的是減少運(yùn)算,減少占用更多的內(nèi)存或顯存空間,提高模型前向推斷的速度。此外,考慮到網(wǎng)絡(luò)結(jié)構(gòu)計(jì)算量的問(wèn)題,所有的卷積層卷積核的大小都采用3x3,降低網(wǎng)絡(luò)結(jié)構(gòu)的計(jì)算量。(2)針對(duì)帽子數(shù)據(jù)集不充分的情況,研究在caffe框架上增加數(shù)據(jù)增廣功能。對(duì)caffe源碼進(jìn)行修改,增加數(shù)據(jù)增廣的功能,然后通過(guò)在網(wǎng)絡(luò)結(jié)構(gòu)給參數(shù)賦值,系統(tǒng)進(jìn)行圖像增廣。方法的原理主要是通過(guò)隨機(jī)旋轉(zhuǎn)圖像,裁剪圖像,改變圖像色度,改變圖像飽和度,改變圖像亮度,改變圖像尺寸大小等,進(jìn)行對(duì)樣本數(shù)據(jù)增。(3)針對(duì)圖像質(zhì)量不佳的情況,進(jìn)行光照預(yù)處理。對(duì)于圖像光照不均勻在一定程度上改變圖像的原始面貌,從而使模型檢測(cè)結(jié)果出錯(cuò)。為提高模型的檢測(cè)效果。研究在模型進(jìn)行測(cè)試之前,對(duì)圖像進(jìn)行光照預(yù)處理,提高模型正檢率。(4)將實(shí)驗(yàn)優(yōu)化得到的模型,應(yīng)用到基于圖像內(nèi)容的帽子多分類智能搜索系統(tǒng)中,設(shè)計(jì)并實(shí)現(xiàn)一個(gè)簡(jiǎn)單的網(wǎng)頁(yè)智能搜索系統(tǒng),驗(yàn)證模型優(yōu)化的結(jié)果。根據(jù)本文設(shè)計(jì)出的網(wǎng)絡(luò)結(jié)構(gòu)以及優(yōu)化方法訓(xùn)練得到的模型,檢測(cè)的平均正檢率可以達(dá)到0.96以上,已經(jīng)很好的應(yīng)用到某些特定場(chǎng)景下的智能搜索分類中。
【學(xué)位授予單位】：江蘇科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

4 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

7 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

8 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U，

本文編號(hào)：2652711