基于CUNet的海量圖像分類研究.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，無(wú)論是圖像數(shù)量還是圖像多樣性均呈現(xiàn)爆炸式增長(zhǎng)的態(tài)勢(shì)。面對(duì)如此海量混雜的圖像信息，如何有效地組織和管理圖像數(shù)據(jù)成為當(dāng)前的研究熱點(diǎn)。圖像分類作為計(jì)算機(jī)視覺(jué)領(lǐng)域的基礎(chǔ)研究，是解決這一問(wèn)題的關(guān)鍵途徑。
　　近幾年，深度卷積神經(jīng)網(wǎng)絡(luò)在大規(guī)模圖像分類任務(wù)中取得了突破性進(jìn)展。利用足夠大的多樣性數(shù)據(jù)集進(jìn)行模型的訓(xùn)練，基于深度卷積網(wǎng)絡(luò)的研究成功地在圖像分類任務(wù)中取得了前所未有的良好性能。在卷積神經(jīng)網(wǎng)絡(luò)中，卷積核起著核心作用。為

2、了學(xué)習(xí)得到有效的卷積核，不少研究學(xué)者都致力于提出優(yōu)化算法。目前的卷積網(wǎng)絡(luò)模型普遍采用的是在大量帶標(biāo)簽數(shù)據(jù)上運(yùn)用隨機(jī)梯度下降算法來(lái)學(xué)習(xí)卷積核，這種卷積核訓(xùn)練方式嚴(yán)格依賴于參數(shù)初始化和調(diào)優(yōu)的經(jīng)驗(yàn)。同時(shí)，這種卷積核學(xué)習(xí)方式極易陷入局部最優(yōu)甚至無(wú)法使網(wǎng)絡(luò)實(shí)現(xiàn)收斂。此外，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)是基于監(jiān)督式學(xué)習(xí)的，這意味著在分類模型訓(xùn)練過(guò)程中，圖像的標(biāo)簽是必須提供的。但是，雖然現(xiàn)如今的圖像規(guī)模與日俱增，其中帶有標(biāo)簽的圖像卻少之又少，這不免使得卷積神經(jīng)網(wǎng)

3、絡(luò)不符合當(dāng)前的實(shí)際應(yīng)用環(huán)境?？紤]到現(xiàn)有卷積網(wǎng)絡(luò)模型的上述缺陷，本文提出構(gòu)建一個(gè)簡(jiǎn)潔的無(wú)監(jiān)督式網(wǎng)絡(luò)模型用于圖像分類任務(wù)，具體工作包括以下幾個(gè)方面：
　　1.利用經(jīng)典的聚類算法K-means對(duì)預(yù)處理后的圖像塊進(jìn)行聚類得到卷積核。這種卷積核學(xué)習(xí)方式非常簡(jiǎn)潔，摒棄了傳統(tǒng)卷積網(wǎng)絡(luò)眾多參數(shù)初始化及調(diào)優(yōu)的過(guò)程，有效地避免模型陷入局部最優(yōu)。同時(shí)，這種無(wú)監(jiān)督式訓(xùn)練方式，成功地解決了帶標(biāo)簽圖像樣本稀少這個(gè)瓶頸；
　　2.提出一種稱為加權(quán)池化的下