【摘要】：在真實(shí)圖像的識(shí)別任務(wù)中,待識(shí)別的圖像通常包含多個(gè)可辨別物體以及眾多視覺信息,因此迫切需要給圖像標(biāo)注多個(gè)標(biāo)簽以準(zhǔn)確描述圖像的屬性。多標(biāo)簽圖像分類任務(wù)要求算法能夠準(zhǔn)確地識(shí)別圖像所含對(duì)象,精確地給圖像分配相關(guān)聯(lián)的標(biāo)簽,亦即要求算法能高效率地從圖中提取視覺信息,在找全圖像所含標(biāo)簽(查全率)的同時(shí)仍需確保判定的標(biāo)簽皆為關(guān)聯(lián)(查準(zhǔn)率)。深層的卷積神經(jīng)網(wǎng)絡(luò)能夠從輸入圖像提取大量精細(xì)特征,同時(shí)擬合從高維特征空間到輸出空間的復(fù)雜映射,這些優(yōu)點(diǎn)使它在解決多標(biāo)簽圖像分類問題上展現(xiàn)出巨大的潛力。然而深層網(wǎng)絡(luò)在圖像分類中達(dá)到的高精度,很大程度依靠于大量可學(xué)習(xí)網(wǎng)絡(luò)參數(shù)的使用以及過多計(jì)算機(jī)存儲(chǔ)及計(jì)算資源的占用,它對(duì)這兩者的依賴一方面增大了利用現(xiàn)有的計(jì)算機(jī)硬件水平發(fā)展更大規(guī)模神經(jīng)網(wǎng)絡(luò)處理更復(fù)雜圖像分類任務(wù)的難度,另一方面制約了深層神經(jīng)網(wǎng)絡(luò)在計(jì)算資源有限的低端設(shè)備上的應(yīng)用。為了降低深層卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)量,在有限的計(jì)算資源下充分利用網(wǎng)絡(luò)的圖像特征提取能力以及數(shù)據(jù)擬合能力,提高多標(biāo)簽圖像分類的查準(zhǔn)率與查全率,本文提出了基于張量環(huán)分解(Tensor Ring decomposition)的神經(jīng)網(wǎng)絡(luò)張量化算法,以及基于張量化神經(jīng)網(wǎng)絡(luò)的多標(biāo)簽圖像分類算法。本文的主要內(nèi)容如下:1)提出基于張量環(huán)分解的全連接神經(jīng)網(wǎng)絡(luò)張量化算法,利用全連接的權(quán)重張量核之間的多線性變換以及權(quán)重張量核與網(wǎng)絡(luò)輸入張量之間的線性變換替換全連接層原有的權(quán)重矩陣對(duì)輸入向量的線性映射,完成全連接層的張量化,使網(wǎng)絡(luò)能夠以較少的參數(shù)量達(dá)到頗具競(jìng)爭(zhēng)力的分類精度。2)提出利用張量化神經(jīng)網(wǎng)絡(luò)解決多標(biāo)簽分類問題的算法,該算法在權(quán)重張量核上施加結(jié)構(gòu)限制,使網(wǎng)絡(luò)在提取決定每個(gè)標(biāo)簽的關(guān)鍵特征的同時(shí),也提取對(duì)所有標(biāo)簽都有分類促進(jìn)作用的特征。本文的理論分析表明,提出的算法可使網(wǎng)絡(luò)層對(duì)每個(gè)標(biāo)簽所需特征的提取都由不同的潛在的Tensor Train形式權(quán)重完成,提高了網(wǎng)絡(luò)提取多標(biāo)簽圖像特征的性能。3)在多個(gè)常用的多標(biāo)簽圖像分類數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),詳細(xì)比較了本文算法與近年提出的先進(jìn)算法在性能上的差異,并使用多個(gè)性能評(píng)價(jià)指標(biāo)客觀分析實(shí)驗(yàn)結(jié)果。結(jié)果表明本文的張量化算法在顯著降低網(wǎng)絡(luò)參數(shù)數(shù)量的同時(shí)仍能使網(wǎng)絡(luò)保持高分類精度;而相較于主流算法,本文的多標(biāo)簽圖像分類算法有更高的標(biāo)簽查準(zhǔn)率與查全率,達(dá)到了更高的多標(biāo)簽分類性能。
【學(xué)位授予單位】：廣東工業(yè)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 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測(cè)預(yù)警仿真[J];計(jì)算機(jī)仿真;2019年11期

4 馬猛;王明紅;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測(cè)[J];輕工機(jī)械;2019年06期

5 莊連生;呂揚(yáng);楊健;李厚強(qiáng);;時(shí)頻聯(lián)合長(zhǎng)時(shí)循環(huán)神經(jīng)網(wǎng)絡(luò)[J];計(jì)算機(jī)研究與發(fā)展;2019年12期

6 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

7 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

8 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

9 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

10 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

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U，

本文編號(hào)：2595369