中醫(yī)體質分類是體質研究的基礎和核心內容,是從復雜多變的個體體質現(xiàn)象中提煉出適合于群體的體質特征并形成最終的分類系統(tǒng)。目前將深度學習技術用于面部體質分類領域的研究還處于起步階段,還有很多問題需要解決。本文研究其中的三個問題:首先,圍繞傳統(tǒng)的人工設計特征對面部體質圖像表示能力不強的問題進行方法研究。然后,在卷積神經(jīng)網(wǎng)絡的基礎上,圍繞面部體質數(shù)據(jù)量少的問題進行研究。最后,針對現(xiàn)有體質分類方法未能考慮深度神經(jīng)網(wǎng)絡中不同層次語義特征的問題設計相應的解決方案。具體研究工作包括:（1）提出了基于深度網(wǎng)絡特征學習的面部體質分類算法。該算法通過卷積神經(jīng)網(wǎng)絡進行端對端的訓練,學習得到面部體質圖像的高層語義特征。然后,通過將卷積神經(jīng)網(wǎng)絡中最后一層全連接層特征與面部體質圖像的顏色特征相融合,進一步增強面部體質圖像的表達能力。在面部體質數(shù)據(jù)集上實驗證明所提算法的有效性。（2）提出了基于遷移學習和集成學習的面部體質分類算法。在面部體質數(shù)據(jù)集上,通過Dense Net-169模型進行遷移訓練,構建了遷移體質神經(jīng)網(wǎng)絡（Constitution Net）。為了進一步提高體質分類效果,將Constitution Net模... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：125 頁

【學位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 體質調查問卷法
        1.2.2 傳統(tǒng)的機器學習法
        1.2.3 深度卷積神經(jīng)網(wǎng)絡法
        1.2.4 工具檢測法
    1.3 體質分類存在的問題
    1.4 本文的研究內容
    1.5 本文的組織安排
第二章 體質分類和深度學習理論基礎
    2.1 引言
    2.2 體質的定義
    2.3 體質分類的步驟
    2.4 特征表示
        2.4.1 顏色特征
        2.4.2 紋理特征
        2.4.3 哈爾特征
        2.4.4 方向梯度直方圖特征
    2.5 分類器算法
        2.5.1 決策樹分類器
        2.5.2 隨機森林分類器
        2.5.3 支持向量機分類器
        2.5.4 K近鄰分類器
        2.5.5 樸素貝葉斯分類器
        2.5.6 集成分類器
    2.6 深度學習理論
        2.6.1 前饋神經(jīng)網(wǎng)絡
        2.6.2 卷積神經(jīng)網(wǎng)絡
        2.6.3 深度遷移學習
        2.6.4 深度神經(jīng)網(wǎng)絡模型
    2.7 小結
第三章 基于深度網(wǎng)絡特征學習的面部體質分類算法
    3.1 方法
    3.2 特征表示方法
        3.2.1 顏色特征
        3.2.2 紋理特征
    3.3 深度體質神經(jīng)網(wǎng)絡
    3.4 實驗
        3.4.1 數(shù)據(jù)集
        3.4.2 實驗設置
        3.4.3 實驗結果與分析
    3.5 小結
第四章 基于遷移學習和集成學習的面部體質分類算法
    4.1 方法
    4.2 特征表示方法
        4.2.1 哈爾特征
        4.2.2 方向梯度直方圖
    4.3 遷移體質神經(jīng)網(wǎng)絡
    4.4 集成體質分類
    4.5 實驗
        4.5.1 數(shù)據(jù)集
        4.5.2 數(shù)據(jù)增強
        4.5.3 實驗設置
    4.6 實驗結果與分析
        4.6.1 不同特征提取方法下的分類結果
        4.6.2 不同網(wǎng)絡模型下的分類結果
        4.6.3 集成體質分類結果
    4.7 小結
第五章 基于多層次多尺度特征聚合的面部體質分類算法
    5.1 方法
        5.1.1 VGG-CI網(wǎng)絡結構
        5.1.2 主成分分析方法
        5.1.3 多層次多尺度特征聚合
    5.2 實驗
        5.2.1 數(shù)據(jù)集
        5.2.2 實驗設置
    5.3 實驗結果與分析
        5.3.1 不同特征表示方法下的分類結果
        5.3.2 不同網(wǎng)絡模型下的分類結果
    5.4 小結
第六章 總結與展望
    6.1 總結
    6.2 展望
參考文獻
攻讀博士/碩士學位期間取得的研究成果
致謝
附件



本文編號：3147602