【摘要】：在傳統(tǒng)計算機視覺研究中,圖像分析的目標對象隸屬類別通常是諸如“狗”、“車”和“鳥”等傳統(tǒng)意義上的類別分類。而在許多實際應用中,圖像對象往往來自某一傳統(tǒng)類別下較細粒度級別的不同子類類別,如不同種類的“狗”:“哈士奇”、“阿拉斯加”、“比熊”等(或不同種類的“車”:“奧迪”、“寶馬”、“奔馳”等;或不同種類的“鳥”:“灰海燕”、“綠頭鴨”“信天翁”等)。細粒度級別圖像分析是針對此類問題的一個計算機視覺領域研究方向,且是計算機視覺領域的熱門研究課題,其目標是對上述細粒度級別圖像中的物體子類進行定位、識別及檢索等視覺分析任務的研究,具有真實場景下廣泛的應用價值。然而因細粒度級別子類別間較小的類間差異和較大的類內差異,使其區(qū)別于傳統(tǒng)圖像分析問題成為更具挑戰(zhàn)的研究課題。本文基于深度學習網絡模型探索了細粒度級別圖像分析問題,主要工作包括:1.基于選擇性卷積特征描述子融合的細粒度級別圖像檢索:以往圖像檢索任務通常針對地標性建筑或通用類別物體,未考慮在細粒度類別場景下如何有效進行細粒度級別圖像檢索。提出首個基于深度學習模型的細粒度級別圖像檢索方法SCDA,通過使用開源的深度卷積神經網絡預訓練分類模型可做到無監(jiān)督式的細粒度級別物體定位,進而根據定位結果篩選出有價值的卷積特征描述子并去除背景或噪聲對應的卷積描述子的影響,之后將保留下的卷積描述子融合,最終以最近鄰算法完成檢索任務。實驗結果顯示出SCDA方法比現有傳統(tǒng)圖像檢索方法有更優(yōu)檢索精度,同時證實了卷積描述子篩選機制的有效性。2.基于卷積特征描述子變換的物體協(xié)同定位:為進一步提高細粒度級別物體無監(jiān)督式定位精度,與SCDA方法中僅考慮單張圖像信息不同,我們指出應使用圖像集合中圖像之間的協(xié)同信息進行物體協(xié)同定位。提出DDT方法,同樣利用預訓練模型抽取卷積特征描述子,通過提出的特征變換算法衡量描述子之間的相關性進而將圖像集合中的共同物體協(xié)同式定位出來。實驗結果顯示出DDT方法比現有其他物體協(xié)同定位方法具有更優(yōu)的定位精度。3.基于卷積特征描述子篩選和融合的細粒度級別圖像識別:以往細粒度級別圖像識別方法均未考慮在識別過程中度量卷積特征描述子的重要程度,即篩選有價值的卷積特征描述子,以及去除無用甚至有害的卷積描述子。提出Mask-CNN方法,通過學習得到的物體和部件級別掩碼可將卷積特征描述子進行合理篩選和權重分配,最終將全局的物體級別特征表示和局部的部件級別(頭和軀干)特征表示級聯完成識別過程。實驗結果證實了Mask-CNN方法卷積描述子篩選機制的有效性以及物體部件定位的準確性。4.基于少量訓練樣本的細粒度級別圖像識別:以往細粒度級別圖像識別的深度學習方法均須大量數據驅動,當數據量不足時難以取得理想結果,有時甚至無法訓練。首次提出和研究了細粒度級別圖像識別的少量樣本學習任務,并提出PCM方法,通過元學習方式訓練從少量訓練樣本到其對應的類別分類器的映射函數,利用該映射函數可生成類別分類器并泛化到真實測試環(huán)境下的少量訓練樣本條件的細粒度級別圖像識別任務。實驗結果顯示出PCM方法在少量訓練樣本條件下相對現有方法具有更優(yōu)的細粒度級別圖像識別精度。
【圖文】：

作圖像分析中的兩項基本問題。在傳統(tǒng)計算機視覺研究中，圖像分析的目標逡逑對象隸屬類別通常是諸如“狗”、“鳥”和“橘子”等傳統(tǒng)意義上的類別分類（見逡逑圖１－１）。該情形下，不同類圖像間的差異較大，相對而言同類圖像間的差異逡逑則較小。而在許多實際應用如生態(tài)保護（ｂｉｏｌｏｇｉｃａｌ邋ｐｒｏｔｅｃｔｉｏｎ）場景中，圖像對象逡逑往往來自某一傳統(tǒng)類別下較細粒度級別的不同子類類別，如識別不同種類的珍逡逑稀鳥類、從瀕危鳥類數據庫中檢索某種鳥類圖像等等。又如，現實生活中我們逡逑會看到不同種類的狗，但若不是犬類專家則很難區(qū)別不同子類的狗。細粒度級逡逑別圖像分析（ｆｉｎｅ－ｇｒａｉｎｅｄ邋ｉｍａｇｅ邋ａｎａｌｙｓｉｓ）便是針對此類問題的一個計算機視覺領逡逑域研究方向，且是計算機視覺領域的熱門研究課題，其目標是對細粒度級別圖逡逑像中的物體子類進行定位、識別及檢索等視覺分析任務的研究，具有真實場景逡逑下廣泛的應用價值。不過，，因細粒度級別子類別間較小的類間差異和較大的類逡逑內差異

的神經認知機模型中，兩種最重要的組成單元是“Ｓ型細胞”（Ｓ－Ｃｅｌｌｓ）和“Ｃ型細逡逑胞”（Ｃ－ｃｅｌｌｓ），兩類細胞交替堆疊在一起構成了神經認知機網絡。其中，Ｓ型細逡逑胞用于抽取局部特征（ｌｏｃａｌ邋ｆｅａｔｕｒｅｓ），邋Ｃ型細胞則用于抽象和容錯，如圖２－１所逡逑示，不難發(fā)現這與現今卷積神經網絡中的卷積層（ｃｏｎｖｏｌｕｔｉｏｎ邋ｌａｙｅｒ）和匯合層逡逑（ｐｏｏｌｉｎｇ邋ｌａｙｅｒ）可一一對應。逡逑醇Ｉ逡逑圖２－１：邋１９８０年福島邦彥提出的神經認知模型ｌ１７］。逡逑隨后，Ｙａｎｎ邋ＬｅＣｒｎｉ等人在１９９８年提出基于梯度學習的卷積神經網絡算逡逑法１４＇并將其成功用于手寫數字字符識別，在那時的技術條件下就能取得低于逡逑１％的錯誤率。因此，ＬｅＮｅｔ這一卷積神經網絡便在當時效力于全美幾乎所有的逡逑郵政系統(tǒng)，用來識別手寫郵政編碼進而分揀郵件和包裹�？梢哉f，ＬｅＮｅｔ是第逡逑一個產生實際商業(yè)價值的卷積神經網絡，同時也為卷積神經網絡以后的發(fā)展奠逡逑定了堅實的基礎。逡逑Ｃ３邋：邐Ｓ４邋：逡逑Ｃ１邋特征圖：邐１６＠１０ｘｌ０邋１６＠５ｘ５逡逑６＠２８ｘ２８邐．邋ｉｐｉｔｅ邐＇ｓ．逡逑二邋＞逡逑＂＊邋Ｉ邋ｍＫＫｔｔｍ邐？邋ｉ邋１邐Ｉ．—連接操作逡逑卷積操作邐降采樣邋卷積操作邐降采樣全連接操作逡逑圖２－２：邋ＬｅＮｅｔ－５結構＠１：邋一種用于字符識別的卷積神經網絡。其中，每一個“矩形”代表一逡逑張?zhí)卣鲌D（ｆｅａｔｕｒｅ邋ｍａｐ）
【學位授予單位】：南京大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TP391.41;TP181

【相似文獻】

相關期刊論文 前10條

1 張帆;;電商評論中細粒度主題情感混合模型建構[J];商業(yè)經濟研究;2017年24期

2 宋鳳義;胡太;楊明;;基于外觀的復合屬性學習的細粒度識別[J];數據采集與處理;2016年06期

3 陳自巖;黃宇;王洋;傅興玉;付琨;;一種利用語義相似特征提升細粒度情感分析方法[J];計算機應用與軟件;2017年03期

4 張潔;董輝;;普適環(huán)境中細粒度可信管理框架的研究[J];測控技術;2017年05期

5 鐘競德;;超細粒度氧化釔生產的新工藝分析[J];科技創(chuàng)新與應用;2016年06期

6 盧艷蘭;;數字圖書館細粒度知識體系標準研究[J];圖書館學刊;2016年07期

7 羅清紅;;大數據與靈魂[J];當代教育家;2016年12期

8 李濤;劉明耀;閆寧;;超細粒度砂輪制備技術研究現狀[J];金剛石與磨料磨具工程;2013年02期

9 譚光華,袁廉灼;從Na_2WO_4溶液制取中、細粒度WO_3[J];稀有金屬;1989年05期

10 唐曉波;劉廣超;;細粒度情感分析研究綜述[J];圖書情報工作;2017年05期

相關會議論文 前10條

1 李小慶;曾慶凱;;細粒度可信恢復文件系統(tǒng)[A];2011年全國通信安全學術會議論文集[C];2011年

2 劉電霆;周德儉;余強;;虛擬企業(yè)中細粒度協(xié)同設計任務的不確定調度及GA求解[A];先進制造技術高層論壇暨第六屆制造業(yè)自動化與信息化技術研討會論文集[C];2007年

3 葉蘊芳;楊榆;羅鑫;徐國愛;;Appfuse系統(tǒng)中細粒度權限控制的研究與實現[A];2007北京地區(qū)高校研究生學術交流會通信與信息技術會議論文集（上冊）[C];2008年

4 朱虹;舒鵬;;擴展SQL實現DBMS細粒度訪問控制[A];第二十三屆中國數據庫學術會議論文集（技術報告篇）[C];2006年

5 郭磊;唐玉華;周杰;董亞卓;;基于FPGA的Cholesky分解細粒度并行結構與實現[A];2010年第16屆全國信息存儲技術大會（IST2010）論文集[C];2010年

6 吳舜;蘇丹;吳佳;李坤;許大衛(wèi);劉昀;魏征;;基于Tilera平臺的網絡細粒度應用行為識別系統(tǒng)[A];2013電力行業(yè)信息化年會論文集[C];2013年

7 李祖德;占國強;葉曉俊;;FG-RBAC:基于RBAC的FGAC模型實現[A];第二十二屆中國數據庫學術會議論文集（研究報告篇）[C];2005年

8 王運成;任年民;張建平;結鳳克;柴常謙;;基于角色的XML細粒度訪問控制模型[A];2006北京地區(qū)高校研究生學術交流會——通信與信息技術會議論文集（下）[C];2006年

9 劉偉峰;王智廣;;細粒度并行計算編程模型研究[A];2008年全國開放式分布與并行計算機學術會議論文集(下冊)[C];2008年

10 江偉玉;高能;劉澤藝;林雪燕;;一種云計算中的多重身份認證與授權方案[A];第27次全國計算機安全學術交流會論文集[C];2012年

相關重要報紙文章 前10條

1 ;修正SDH:承載細粒度IP業(yè)務[N];中國計算機報;2002年

2 ;細粒度的訪問控制和日志管理[N];中國計算機報;2003年

3 ;三項措施保護服務器[N];網絡世界;2004年

4 侯麗坤;思達展示新概念QoS產品[N];計算機世界;2001年

5 《網絡世界》記者 蒙克;D-Link應用層流控網關細粒度管理全網流量[N];網絡世界;2015年

6 呂明;網絡安全審計需細粒度報告[N];計算機世界;2008年

7 胡英;F5最新SSL VPN[N];計算機世界;2006年

8 侯闖 綜合編譯;部署SOA需慎重[N];計算機世界;2004年

9 ;Allot加入開放式IP服務創(chuàng)建計劃[N];人民郵電;2007年

10 沈建苗　綜合編譯;IM安全產品選購諫言[N];計算機世界;2008年

相關博士學位論文 前10條

1 魏秀參;深度學習下細粒度級別圖像的視覺分析研究[D];南京大學;2018年

2 趙波;細粒度圖像分類、分割、生成與檢索關鍵技術研究[D];西南交通大學;2017年

3 時杰;關系數據庫細粒度訪問控制研究[D];華中科技大學;2010年

4 朱倩;面向自由文本的細粒度關系抽取的關鍵技術研究[D];江蘇大學;2011年

5 余a\;基于Simulink模型的細粒度多線程技術研究[D];浙江大學;2014年

6 付興兵;基于屬性基加密的細粒度訪問控制機制研究[D];電子科技大學;2016年

7 周杰;合成孔徑雷達數據處理應用的細粒度并行算法與結構[D];國防科學技術大學;2010年

8 施寒瀟;細粒度情感分析研究[D];蘇州大學;2013年

9 張傳才;流域水沙過程的細粒度建�？蚣苎芯縖D];河南大學;2016年

10 徐毅;粗細粒度雙知識網映射的零部件設計重用方法[D];大連理工大學;2012年

相關碩士學位論文 前10條

1 張沙沙;基于細粒度信任推導的社交推薦模型研究[D];華東師范大學;2017年

2 王朝輝;網絡商品評論細粒度情感分析系統(tǒng)關鍵技術研究[D];大連海事大學;2017年

3 蔡肖紅;網絡評論文本的細粒度情感分析研究[D];山東師范大學;2017年

4 張s

本文編號：2668506