基于層次分類的圖像特征表達(dá)與分類方法研究.pdf

1、隨著互聯(lián)網(wǎng)和計算機(jī)的發(fā)展，圖像數(shù)據(jù)呈現(xiàn)爆發(fā)性增長的趨勢。越來越多的圖像物理表現(xiàn)與人們所熟悉的概念信息之間存在著巨大的差距，這對算法的處理能力和分類速度提出了很大的挑戰(zhàn)。因此優(yōu)秀的特征提取算法和分類模型是大規(guī)模圖像處理方面一個重要的研究方向。
　　由于圖像數(shù)量增大，使得提取圖像的特征種類和數(shù)目也會變得龐大，這對于項目的應(yīng)用和設(shè)備產(chǎn)生了巨大的考驗。本課題主要研究了大規(guī)模圖像分類中基于層次分類的一些問題。首先，如何既能提高分類精度，又能

2、減少特征數(shù)已成為大規(guī)模圖像分類研究的一個關(guān)鍵問題。其次，由于淺層網(wǎng)絡(luò)提取的特征不豐富，表達(dá)不全面，是影響分類結(jié)果的主要因素，所以選擇更加優(yōu)的替代網(wǎng)絡(luò)顯得尤為重要。最后，在大規(guī)模數(shù)據(jù)下，需要根據(jù)不同網(wǎng)絡(luò)模型的性能，選擇適合樣本集的分類學(xué)習(xí)模型，以提高分類的準(zhǔn)確率。針對這些問題，本課題進(jìn)行了相關(guān)研究，主要工作總結(jié)如下：
　　（1）對于淺層網(wǎng)絡(luò)提取特征數(shù)目龐大的問題，本課題研究并實現(xiàn)了淺層網(wǎng)絡(luò)提取特征的方法：即首先使用SIFT算法，再使

3、用局部約束線性編碼（LLC）進(jìn)行特征數(shù)目稀疏，這樣可以有效的減少特征數(shù)，提高速度。
　?。?）由于傳統(tǒng)的淺層網(wǎng)絡(luò)特征提取與分類耗時耗力且修改算法難度大，本課題研究并實現(xiàn)了在分類結(jié)果上使用基于層次分類的DARTS優(yōu)化算法，通過計算每個節(jié)點的信息增益，從而使得在人為設(shè)定的精確度下權(quán)衡出最準(zhǔn)確的結(jié)果。
　?。?）針對基于層次分類的淺層網(wǎng)絡(luò)提取特征不豐富的問題，本課題研究了深度學(xué)習(xí)的理論知識，設(shè)計了使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行特征