

版權(quán)說(shuō)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(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著人工智能與計(jì)算機(jī)技術(shù)的迅速發(fā)展,紋理分類在醫(yī)療、衛(wèi)星、機(jī)器人等多個(gè)領(lǐng)域發(fā)揮越來(lái)越重要的作用,這些應(yīng)用涉及到人們生活中的各個(gè)方面。作為計(jì)算機(jī)視覺領(lǐng)域圖像分類任務(wù)中的研究重點(diǎn),紋理分類一直以來(lái)受到了眾多研究者的關(guān)注。區(qū)別于一般圖像的分類問題,紋理分類處理的圖像更加具體,這使得不同紋理圖像之間的類間差異較小。由于尺度、角度、光照的變化,同類紋理圖像之間的類內(nèi)差異比較大。以上這些因素使得設(shè)計(jì)一個(gè)魯棒的紋理分類方法極具挑戰(zhàn)性。
由于
2、混合高斯模型(GMM)具有較強(qiáng)的表達(dá)能力,因此被廣泛地用于建模圖像特征,特別是用于建模紋理圖像?;贕MM圖像建模的紋理分類方法已經(jīng)在性能方面展示出了它的優(yōu)越性。該類方法主要包括兩個(gè)關(guān)鍵的組成部分:圖像的特征提取和GMM之間的距離度量。眾所周知,圖像特征描述子在圖像分類問題中扮演著至關(guān)重要的角色。隨著深度學(xué)習(xí)的崛起,深層卷積神經(jīng)網(wǎng)絡(luò)(CNN)廣泛地運(yùn)用于圖像分類、圖像檢索以及語(yǔ)義分割等領(lǐng)域,并獲得了很好的效果?,F(xiàn)有的基于GMM建模表示圖
3、像的方法中,特征提取階段往往都是使用傳統(tǒng)的基于手工設(shè)計(jì)的特征。受到卷積神經(jīng)網(wǎng)絡(luò)成功應(yīng)用的啟發(fā),本文首次提出了基于深層卷積神經(jīng)網(wǎng)絡(luò)特征的GMM建模用于圖像表達(dá),同時(shí)廣泛評(píng)估并分析了多種圖像特征描述子的分類性能,包括兩種基于深層CNN的高級(jí)語(yǔ)義特征以及五種廣泛應(yīng)用于紋理圖像分類的基于手工設(shè)計(jì)的特征—灰度特征、Gabor特征、LBP、SIFT和協(xié)方差描述子。值得一提的是,評(píng)估多種圖像特征對(duì)基于GMM建模的紋理分類方法的影響在本文工作之前并沒有
4、得到充分的研究。對(duì)于建模之后的GMM之間的度量,本文采用了高效且魯棒的基于稀疏表示的推土距離(SR-EMD)算法。在SR-EMD算法中,兩個(gè)混合高斯模型中各個(gè)分量高斯之間的距離測(cè)度是度量算法的關(guān)鍵,然而這個(gè)問題依舊是一個(gè)困難且開放性的問題。本文首次將現(xiàn)有的距離測(cè)度系統(tǒng)地分為了兩大類:基于概率統(tǒng)計(jì)的距離度量和基于黎曼流形結(jié)構(gòu)的距離度量,并分析研究了這些距離之間的差異和聯(lián)系?;诜治霾煌嚯x測(cè)度之間的關(guān)系,并受到高斯嵌入距離(GE)和基于李
5、群的距離(PLG)的啟發(fā),本文提出了一種改進(jìn)的高斯嵌入距離(IGE),提高了分類準(zhǔn)確率的同時(shí)驗(yàn)證了本文的重要結(jié)論。
本文在多個(gè)具有挑戰(zhàn)性的紋理圖像庫(kù)上評(píng)估了本文的方法,包括KTH-TIPS-2b、FMD和UIUC Material。實(shí)驗(yàn)結(jié)果表明:本文提出的基于深層卷積神經(jīng)網(wǎng)絡(luò)特征建模的GMM具有非常強(qiáng)的表達(dá)能力。同時(shí),利用基于深層CNN特征的GMM和本文提出的距離度量的方法在所有紋理庫(kù)上都得到了非常有競(jìng)爭(zhēng)力的分類結(jié)果。除此之外
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于混合高斯模型的地板塊紋理分類算法研究.pdf
- 基于高斯混合模型分類的SAR圖像檢索.pdf
- 基于高斯混合模型的快速相干點(diǎn)漂移點(diǎn)集匹配算法.pdf
- 基于高斯混合模型林業(yè)信息文本分類的技術(shù)研究.pdf
- 基于高斯混合模型的圖像分割的研究.pdf
- 基于高斯混合模型的語(yǔ)音轉(zhuǎn)換方法研究.pdf
- 基于高斯混合模型的咳嗽音檢測(cè)研究.pdf
- 基于高斯混合模型的語(yǔ)種識(shí)別的研究.pdf
- 基于混合高斯模型的腦-機(jī)接口系統(tǒng)腦電信號(hào)的分類研究.pdf
- 基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè).pdf
- 基于高斯混合模型的說(shuō)話人識(shí)別研究.pdf
- 基于高斯混合模型的說(shuō)話人識(shí)別算法研究.pdf
- 基于高斯混合模型的語(yǔ)種識(shí)別技術(shù).pdf
- 基于混合高斯模型的說(shuō)話人識(shí)別.pdf
- 基于高斯混合模型的語(yǔ)音轉(zhuǎn)換技術(shù)的研究.pdf
- 基于高斯混合模型的參數(shù)遷移聚類.pdf
- 基于混合高斯模型的視頻人體檢測(cè)研究.pdf
- 基于高斯混合模型的語(yǔ)音轉(zhuǎn)換技術(shù)研究.pdf
- 基于高斯混合模型的心音模式識(shí)別研究.pdf
- 基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究.pdf
評(píng)論
0/150
提交評(píng)論