基于深度學(xué)習(xí)的圖像分類技術(shù)研究.pdf

1、近年來，隨著計(jì)算機(jī)技術(shù)及網(wǎng)絡(luò)的發(fā)展，圖像數(shù)據(jù)庫的日益增多，如何從大量圖像數(shù)據(jù)中快速提取視覺信息已成為智能視覺感知領(lǐng)域的研究熱點(diǎn)，而對(duì)圖像數(shù)據(jù)進(jìn)行分類成為獲取圖像信息的重要研究問題之一。圖像分類在圖像檢索、人機(jī)交互、智能安防、無人機(jī)平臺(tái)等方面都有著廣闊的應(yīng)用前景。本文對(duì)自然圖像分類中的關(guān)鍵技術(shù)展開研究，主要工作及創(chuàng)新點(diǎn)如下：
　　1)對(duì)自然環(huán)境的圖像分類問題進(jìn)行了較為全面的分析和研究，目前傳統(tǒng)的圖像分類技術(shù)存在圖像特征未包含全局結(jié)構(gòu)

2、信息、圖像特征在表征圖像信息時(shí)不夠完整、分類器的選擇與設(shè)計(jì)等問題，而針對(duì)這些問題進(jìn)行的研究為今后的研究工作提供了有價(jià)值的參考。
　　2)針對(duì)當(dāng)前提取圖像局部信息無法表示圖像全局結(jié)構(gòu)特征的缺陷，提出了一種基于全局非線性編碼和空間金字塔匹配的圖像分類方法，在空間金字塔匹配中引入了全局結(jié)構(gòu)信息，避免了因缺少全局結(jié)構(gòu)信息造成的分類正確率低，使用STL等公開數(shù)據(jù)庫的測(cè)試結(jié)果表明該方法的有效性。
　　3)針對(duì)全局非線性編碼等傳統(tǒng)的圖像分

3、類算法中是由人工提取指定的局部特征，存在其往往不能較為全面地表示圖像信息，進(jìn)而影響分類效果的問題，利用稀疏自編碼器算法進(jìn)行圖像特征的自學(xué)習(xí)，用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分類，并討論分析了參數(shù)的選擇過程。該方法中的特征自學(xué)習(xí)部分能更為完整地表征圖像信息，而其網(wǎng)絡(luò)結(jié)構(gòu)也可表達(dá)圖像的低級(jí)和高級(jí)抽象特征，實(shí)驗(yàn)結(jié)果也驗(yàn)證了與全局非線性編碼等圖像分類算法比較該方法有更高的分類正確率。
　　4)針對(duì)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)是直接輸入原始圖像而

4、沒有考慮到圖像多尺度因素影響的問題，提出了一種多尺度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法。將自然圖像利用空間金字塔匹配進(jìn)行分解，逐個(gè)用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，同時(shí)為了避免過擬合用池化方法降維，最后訓(xùn)練Softmax多分類模型對(duì)圖像進(jìn)行分類。在公開數(shù)據(jù)庫和自建數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證了基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法對(duì)自然圖像分類有更好的分類效果。該方法一方面全面考慮圖像的多尺度信息，另一方面抽象地學(xué)習(xí)圖像的低級(jí)及高級(jí)信息，使得輸入分類器的特征