已閱讀1頁，還剩54頁未讀， 繼續(xù)免費閱讀
版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領
文檔簡介
1、隨著當今社會互聯(lián)網(wǎng)技術的快速發(fā)展，以及圖像多媒體等設備的流行，越來越多的人開始在網(wǎng)絡上發(fā)表、下載和共享圖像資源，以圖像數(shù)據(jù)為代表的多媒體視覺信息量日益劇增。因此，如何對目前存在的海量圖像信息進行有效而準確的分類管理和信息標注是亟待解決的技術難題與研究熱點。
傳統(tǒng)的圖像分類方法中，大多數(shù)根據(jù)人為定義的規(guī)則來對原始圖像數(shù)據(jù)進行處理計算得到相應的特征矩陣;而深度學習算法則通過對計算機的訓練過程來自動學習特征。因此，本文提出了一種改進
2、的Softmax回歸模型與基于線性解碼器深度神經(jīng)網(wǎng)絡相結(jié)合的圖像分類算法。首先，通過基于線性解碼器的神經(jīng)網(wǎng)絡訓練得到局部小圖像的特征，再通過卷積、池化得到原始大圖像的特征矩陣;其次，通過傳統(tǒng)特征提取算法得到圖像的顏色和紋理特征;然后結(jié)合這兩類圖像特征對參數(shù)優(yōu)化后的Softmax回歸模型進行訓練并結(jié)合距離度量完成圖像分類，得到最終分類結(jié)果。
在實驗結(jié)果的對比分析中，采用查準率、查全率作為評價指標，驗證了基于深度學習的圖像語義理解
溫馨提示
- 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于深度學習的圖像語義理解研究.pdf
- 基于語義理解的圖像檢索研究.pdf
- 基于CRF的圖像語義理解算法研究.pdf
- 基于語義理解與PLSA的文本情感分類研究.pdf
- 基于深度學習的圖像語義分割研究.pdf
- 深度學習在圖像語義分類中的應用.pdf
- 基于圖模型表達和稀疏特征選擇的圖像語義理解.pdf
- 基于深度學習的圖像分類的研究.pdf
- 基于深度學習的圖像語義分割算法研究.pdf
- 圖像語義理解的關鍵技術研究.pdf
- 基于深度學習模型的圖像分類研究.pdf
- 基于深度學習的圖像情感分類研究.pdf
- 基于深度學習的圖像分類方法研究.pdf
- 基于深度學習的文物圖像內(nèi)容理解.pdf
- 社會化媒體中的圖像語義理解.pdf
- 基于深度學習的醫(yī)學圖像分類方法研究.pdf
- 基于深度學習的醫(yī)學圖像模式分類研究.pdf
- 基于傳統(tǒng)方法和深度學習的圖像精細分類研究.pdf
- 基于深度學習的圖像語義標注與描述研究.pdf
- 基于優(yōu)化的語義理解與SVM相結(jié)合的文本情感分類研究.pdf
評論
0/150
提交評論