基于深度卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度圖像識(shí)別與分類算法研究.pdf

1、隨著科學(xué)技術(shù)的高速發(fā)展，在人們的日常生活中，傳統(tǒng)以文字，語(yǔ)音等為載體的信息也逐漸被以圖像，視頻等超媒體形式的信息所替代。其中粗粒度圖像識(shí)別與分類技術(shù)在計(jì)算機(jī)視覺(jué)、模式識(shí)別、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)等領(lǐng)域的現(xiàn)有成果，在實(shí)際生活中都有著廣泛的應(yīng)用。在此基礎(chǔ)上，結(jié)合實(shí)際需求，人們對(duì)精細(xì)圖像的識(shí)別與分類任務(wù)也越來(lái)越重視，即細(xì)粒度圖像的識(shí)別與分類。細(xì)粒度圖像識(shí)別與分類旨在檢測(cè)出某一基類別下數(shù)以百計(jì)的子類別。與粗粒度圖像識(shí)別的區(qū)別在于其目的是對(duì)子類別進(jìn)行

2、進(jìn)一步的識(shí)別。其難點(diǎn)在于各子類之間往往只有非常小的類間差異，而傳統(tǒng)圖像識(shí)別分類方法所使用的特征不足以精確的描述細(xì)粒度圖像的細(xì)節(jié)?，F(xiàn)有對(duì)細(xì)粒度圖像任務(wù)的方法大多是將傳統(tǒng)特征作用在物體局部部件區(qū)域，以期通過(guò)特定部件來(lái)對(duì)物體進(jìn)行識(shí)別分類，但這種方法不具有通用性。近幾年發(fā)展較快的深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行多次非線性變換操作，提取出包含信息更加豐富的深度特征，使細(xì)粒度圖像識(shí)別與分類任務(wù)看到了新的突破口。本文將細(xì)粒度圖像識(shí)別與分類任務(wù)與深度卷積神經(jīng)

3、網(wǎng)絡(luò)相結(jié)合，分別從強(qiáng)監(jiān)督和弱監(jiān)督兩個(gè)方面，結(jié)合實(shí)驗(yàn)，對(duì)深度卷積特征及不同算法在細(xì)粒度圖像上的表現(xiàn)進(jìn)行分析。
　　1、基于強(qiáng)監(jiān)督的細(xì)粒度圖像識(shí)別與分類算法研究。這類算法在模型訓(xùn)練階段除了常規(guī)的類別標(biāo)簽外，一般還需要額外的人工標(biāo)注信息來(lái)提升算法的準(zhǔn)確率。實(shí)驗(yàn)過(guò)程中首先利用改進(jìn)的RCNN訓(xùn)練出物體整體級(jí)別和物體部件級(jí)別的不同檢測(cè)器，再對(duì)所得到的區(qū)域加上一定的幾何約束，從而篩選出有用的檢測(cè)器，最后將所得到的物體整體及部件一同送入卷積神經(jīng)網(wǎng)

4、絡(luò)訓(xùn)練，相當(dāng)于即保留了全局特征又加入了局部特征，保障了分類結(jié)果的準(zhǔn)確性。作為對(duì)比，實(shí)驗(yàn)過(guò)程中同時(shí)提出一種對(duì)該算法部件檢測(cè)器訓(xùn)練過(guò)程的改進(jìn)方案，即先訓(xùn)練物體整體級(jí)檢測(cè)器，然后在此基礎(chǔ)上訓(xùn)練部件級(jí)檢測(cè)器，以期能夠?qū)Y(jié)果有進(jìn)一步的提升。算法為了訓(xùn)練出效果較好的檢測(cè)器，額外利用了數(shù)據(jù)集中物體標(biāo)注信息，目的是將具有鑒別能力的小的部件塊提取出來(lái)，便于物體的識(shí)別與分類。
　　2、基于弱監(jiān)督的細(xì)粒度圖像識(shí)別與分類算法研究。這類算法在模型訓(xùn)練階段只

5、需要常規(guī)的類別標(biāo)簽而不需要額外的人工信息，結(jié)果的準(zhǔn)確率往往通過(guò)算法自身的改進(jìn)和特征的選擇來(lái)提升。由于弱監(jiān)督算法的以上特點(diǎn)，實(shí)驗(yàn)過(guò)程中將原始圖像送入設(shè)置不同的深度卷積網(wǎng)絡(luò)，不同的網(wǎng)絡(luò)均對(duì)特定的特征敏感，因此所得特征圖可以從不同角度對(duì)原始圖像進(jìn)行描述。同時(shí)選擇不同的方式對(duì)所得特征進(jìn)行組合，目的是進(jìn)一步豐富特征的描述能力。本文以雙流模型為基礎(chǔ)，即同一實(shí)驗(yàn)過(guò)程中，對(duì)兩個(gè)不同設(shè)置的網(wǎng)絡(luò)所提取的特征進(jìn)行融合。
　　本文研究發(fā)現(xiàn)深度卷積特征相比

6、較于傳統(tǒng)的人工特征，其提取過(guò)程是不斷地抽象的過(guò)程，對(duì)圖像的描述能力一般優(yōu)于傳統(tǒng)的人工特征描述子。結(jié)合細(xì)粒度圖像自身特點(diǎn)，其有鑒別力的區(qū)域往往是部件局部區(qū)域，在細(xì)粒度圖像識(shí)別與分類任務(wù)中，定位并檢測(cè)出有鑒別能力的局部部件區(qū)域是其中的一個(gè)難點(diǎn)。對(duì)于強(qiáng)監(jiān)督的算法來(lái)說(shuō)，由于利用了大量的標(biāo)注信息，因此可以通過(guò)適當(dāng)?shù)姆椒▉?lái)訓(xùn)練部件檢測(cè)器，從而得到所需的局部部件區(qū)域，但也要注意到，額外的標(biāo)注信息需要投入大量的前期成本。對(duì)于弱監(jiān)督的算法來(lái)說(shuō)其過(guò)程則顯得