基于深度学习的细粒度图像分类.pdf

发布时间：2022-05-31 发布人：admin 分类：说明书资料大小：1.32M 资料格式：pdf 举报版权申诉

qq_40375060-10667104-4744302542957332936.pdf-第1页.png

第1页 / 共30页

qq_40375060-10667104-4744302542957332936.pdf-第2页.png

第2页 / 共30页

qq_40375060-10667104-4744302542957332936.pdf-第3页.png

第3页 / 共30页

qq_40375060-10667104-4744302542957332936.pdf-第4页.png

第4页 / 共30页

qq_40375060-10667104-4744302542957332936.pdf-第5页.png

第5页 / 共30页

qq_40375060-10667104-4744302542957332936.pdf-第6页.png

第6页 / 共30页

qq_40375060-10667104-4744302542957332936.pdf-第7页.png

第7页 / 共30页

qq_40375060-10667104-4744302542957332936.pdf-第8页.png

第8页 / 共30页

文本预览

本科毕业设计（论文）题目：基于深度学习的细粒度图像分类学生姓名：谢珅学号：1405020323 专业班级：电子信息工程 14-3 班指导教师：王延江 2018 年 6 月 14 日

中国石油大学（华东）本科毕业设计(论文) 基于深度学习的细粒度图像分类摘要图像分类的作用体现在学习、工作和生活的方方面面，图像分类工作也变得越来越重要。目前计算机信息技术与图像处理技术已经有了很大的提升，尤其是对差异比较大的图片类别之间的区分，也就是常说的粗粒度区分已经有了相当完备的技术水平，但是对细粒度图像的区分即比较小的差异区分技术仍然是一个难题。本课题将图像分类与深度学习相结合，实现基于深度学习的细粒度图像分类。通过学习并改进已有的图像分类模型，提出适用于细粒度图像分类的方法，使之可以根据用户的具体需求和图像的内容，精细、准确、高效地对图像进行分类，生成便于用户理解和使用的类别信息。其中，如何运用卷积神经网络特征建立新的分类模型并用于细粒度图像分类是本项研究的关键。本文主要工作如下：（1）分析并研究卷积神经网络原理，建立了基于卷积神经网络的图像分类框架；（2）使用 VGGNet 模型实现了对细粒度图像的特征提取；（3）编程实现了基于卷积神经网络的新的图像分类模型并用于细粒度图像分类。关键词：卷积神经网络；图像分类；协同表示分类；稀疏表示分类

中国石油大学（华东）本科毕业设计(论文) Fine-grained image classification based on the depth of learning Abstract The role of image classification is reflected in all aspects of learning, work, and life. Image classification work has become more and more important. At present, computer information technology and image processing technology have been greatly improved, especially for the distinction between relatively large picture categories, that is, the coarse-grained distinction that is often said has been quite complete technical level, but fine The differentiation of granular images, that is, relatively small difference distinguishing techniques, remains a problem. This topic combines image classification with deep learning to achieve fine-grained image classification based on deep learning. By learning and improving the existing image classification model, a method suitable for fine-grained image classification is proposed, so that the image can be accurately, accurately, and efficiently classified according to the user's specific needs and the content of the image, so that the user can understand and Used category information. Among them, how to use the convolutional neural network feature to establish a new classification model and use it for fine-grained image classification is the key to this study. The main work of this study is as follows: (1) The principle of convolutional neural network is analyzed and studied and an image classification framework is established based on convolutional neural network. (2) The Feature extraction of fine-grained images is achieved using VGGNet model. (3) A new image classification model based on convolutional neural network is programmed and used for fine-grained image classification. Keywords ： Convolutional neural network; Image classification; Collaborative representation classification; Sparse representation classification

中国石油大学（华东）本科毕业设计(论文) 目录第 1 章引言 ................................................................................................................................................. 1 1.1 论文研究背景和意义 ...................................................................................................................... 1 1.2 国内外发展现状与趋势 .................................................................................................................. 2 1.3 主要研究内容 .................................................................................................................................. 4 1.4 论文结构安排 .................................................................................................................................. 4 第 2 章卷积神经网络基本原理与模型 ..................................................................................................... 5 2.1 引言 .................................................................................................................................................. 5 2.2 卷积神经网络基本原理 .................................................................................................................. 5 2.3 卷积神经网络模型 .......................................................................................................................... 6 2.4 本章小结 ........................................................................................................................................... 9 第 3 章基于卷积神经网络的特征提取 ..................................................................................................... 10 3.1 引言 ................................................................................................................................................. 10 3.2 数据集 ............................................................................................................................................. 10 3.3 卷积神经网络结构 ......................................................................................................................... 11 3.3.1 卷积层 ................................................................................................................................. 12 3.3.2 池化层 ................................................................................................................................. 13 3.3.3 ReLU 非线性变换 ............................................................................................................... 14 3.3.4 局部响应归一化 ................................................................................................................. 14 3.3.5 Softmax ................................................................................................................................ 14 3.3.6 降低过拟合 ......................................................................................................................... 14 3.4 MatConvNet 工具箱 ....................................................................................................................... 15 3.5 VGG-19 模型特征提取 .................................................................................................................. 16 3.6 本章小结 ........................................................................................................................................ 17 第 4 章基于稀疏表示和同表示的分类器 ............................................................................................... 18 4.1 引言 ................................................................................................................................................. 18 4.2 稀疏表示分类原理 ........................................................................................................................ 18 4.3 协同表示分类原理 ........................................................................................................................ 19 4.4 实验结果 ........................................................................................................................................ 19 4.5 本章小结 ........................................................................................................................................ 22 第 5 章结论 ............................................................................................................................................... 23 致谢 ........................................................................................................................................................... 24 参考文献 ....................................................................................................................................................... 25

第 1 章引言第 1 章引言 1.1 论文研究背景和意义最近几年来随着计算机技术的迅猛发展，计算机越来越普及，其中所存储的信息越来越多，这些信息包括文字、图像、视频等等。如何能过快速而又准确的对这些数据信息进行检索与识别成了最近几年的热门研究课题，这其中尤其是对图像信息的分类处理的研究发展最为迅速，研究的学者也比较多，所以各种各样的图像分类算法层出不穷，图像分类技术的应用范围也越来越广泛。在大势所趋的情况下就吸引了更多的学者去研究与学习图像分类技术。人类大脑通过眼睛获得观察到的物体信息并加以识别，可以知道看到的东西是什么，这主要是因为每一个图像信息都有自己独特的特征信息，根据主要特征最终确定他的类别。所以图像分类识别技术也有着类似的原理，目前研究的主要方向是机器学习与深度学习，但是传统的机器学习只是对粗粒度图像的分类结果已经比较理想，而在细粒度图像分类处理方面的效果并没有想象之中的那么好，所以深度学习的方法就应运而生了，深度学习中使用最为广泛的就是卷积神经网络，它主要是通过数学的方法来实现。首先就是利用卷积来提取出图像的特征，然后再利用事先训练好的模型进行分类处理。把测试的图片归为最接近的一类中。在现代社会中计算机图像识别分类技术变的越来越重要，可以说应用在各行各业，例如智能手机与密码锁的指纹识别，人脸识别等。这些都是已经相当成熟的技术了。还有就是便于研究方面的生物特征识别，交通标志的识别等等。所以说图像分类技术在当今社会有着巨大的影响力。本文将图像分类与深度学习相结合，实现基于深度学习的细粒度图像分类。通过学习并改进已有的图像分类模型，提出适用于细粒度图像分类的方法，使之可以根据用户的具体需求和图像的内容，精细、准确、高效地对图像进行分类，生成便于用户理解和使用的类别信息。其中，如何运用卷积神经网络特征建立新的分类模型并用于细粒度图像分类是本项研究的关键[1]。 1

第 1 章引言 1.2 国内外发展现状与趋势随着人工智能发展越来越快，IT 领域的研究学者们对深度学习得研究也就更加有激情，深度学习一开始是在国外提出的，1984 年，日本学者福岛邦彦提出了卷积神经网络是目前应用的比较广泛的一种方法，主要是为了解决参数太多的问题，深层次的网络结构难以训练，与此同时也有许多其它的网络结构如 RND、DNN 等。随着研究面的不断扩大与研究内容的不断深入，深度学习被越来越多的人们所了解，虽然国内起步研究较晚，但是发展速度比较快，随之掀起了一股深度学习的热潮。最近几年无论国内国外的图像分类技术都有了长足的发展与进步，图像信息基本都是二维信息处理，我国的图像识别技术发展比较迅猛，识别技术准确度已经相当的高了，并且宽泛应用与金融、医学、军事等方面。同时也和我们日常息息相关。目前的图像识别系统已经相当完善，但是仍然有不足之处。随着要求的不断提高，压缩图像，三维立体以及虚拟现实等一系列的识别技术正在逐步发展[2]。图 1-1 展示了传统图像分类方法流程图。下面简单一些图像分类的方法。数据集特征提取特征选择机器学习评估分离器设计未知图像特征提取特征选择图 1-1 传统图像分类原理流程图分类（1）传统机器学习分类方法 ① SVM 分类算法[3] SVM 是一种比较常用的机器学习分类器，一开始 SVM 主要是应用于线性分类，后来随着研究的不断深入逐步发展到非线性分类。SVM 基本原理就是找到一个平面将需要区分的两种样本信息分离开，这个平面也就是我们所说的超平面。超平面的定义：对于 SVM，存在一个分类面，两个点集到此平面的最小距离最大，两个点集中的边缘点到此平面的距离最大。如图 1-2 所示 2

第 1 章引言图 1-2 SVM 分类原理图 SVM 分类器原理相对简单，尤其是对样本数据比较小的数据库进行分类是效果比较明显。对于 SVM 来说主是针对线性可分情况进行分析，属于二分类问题，但是当实验数据为线性不可分时，我们就需要采用把低维空间数据向高维空间转化的方法来使数据变得线性可分。所以它的网络结构其实相对简单，只需一层或最多一个隐层。实验中一般默认使用的是线性核，SVM 可以根据核函数的选择自动计算重要的网络参数。SVM 的泛化能力很好，可以大幅度降低对分类模型空间布局的要求，并且对数据集的大小也有更好的适应能力。 ② BP 神经网络 BP 神经网络作为最基本的一种方法最先被我们所学习，BP 神经网络是一种典型的误差逆传播训练的多层前馈网络。显而易见 BP 网络结构中传递的信息是误差，通过反向传播由本层误差计算出上一层的误差，以此类推最终得到每一层的误差值，通过调节每一层连接中的权重值最终使误差最小值达到标准要求。（2）卷积神经网络其中卷积神经网络作为深度学习中应用最为普遍的一种网络结构，人们更加关注他的研究情况。CNN 主要来自于生物眼睛识别物体的启发。最早提出的是 LeNet-5，由于不能进行大量数据集的训练，所以在处理复杂的识别过程中效果并不好。所以在 2006 年一个经典的 CNN 结构 AlexNet 被提出，并在图像识别任务上取得了令人满意的效果。随后学者们又提出来 ZFNet , VGGNet , GoogleNet 和 ResNet 这四种更加完善的结构。从整体结构来看，卷积神经网络的层数越来越多，这样一来网络构架就会更加复杂，相应的特征提取效果就会越好。但是这样又有了新的问题产生，容易产生过拟合现象。 3

第 1 章引言但是随着研究的深入，逐步产生了各种降低过拟合的方法，至此之后卷积神经网络才形成了一个完整的体系，为以后的研究和学习提供了极大方便。 1.3 主要研究内容本课题研究深度学习中的卷积神经网络，并利用 Matlab 编程实现基于 CNN 的细粒度图像分类框架，具体工作内容如下：（1）搭建基于卷积神经网络的图像分类框架理解卷积神经网络的基本原理，能够描述 CNN 的基本构架，学会如何利用卷积层来提取图像特征，并利用已有的细粒度图像库进行试验。（2）学习传统分类模型图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，对于复杂情况传统的分类方法不堪重负。（3）训练卷积神经网络模型目前网上已经研究的卷积神经网络模型在实验结果中已经相当理想，但是本次试验中采用已有的图像数据集训练出更加合适的卷积神经网络模型，然后在已有的细粒度数据集上进行测试，可以使结果更加理想。（4）基于卷积神经网络的两种分类器 SRC 和 CRC 在熟悉和掌握了传统的图像分类方法基础上利用 Matlab 编程实现稀疏表示分类和协作表示分类，这两种分类方法都是基于距离的分类器，并最后在细粒度库上进行试验。 1.4 论文结构安排第 1 章引言部分主要介绍了图像识别技术和深度学习的研究目的、背景、和发展现状；卷积神经网络的基本构成与发展历程。同时，介绍了本文毕业设计的具体研究内容和论文的整体结构；第 2 章详细首先介绍了卷积神经网络的生物学原理，然后 VGG19 结构框架，并且介绍了不同特征提取层对分类准确率的影响，以及图片数量对准确率的影响；第 3 章详细介绍了目前主流卷积神经网络模型的构成和原理；并且对样本进行训练得到了不同数据集的训练结果；第 4 章是主要介绍了本次课题研究的 CRC 和 SRC 分类器原理。以及在三个数据集上的分类结果对比与统计；第 5 章是对本文研究内容总结以及对将来工作的展望。 4

分享到：

赞收藏

资料库

基于深度学习的细粒度图像分类.pdf

相关推荐

人工智能

热门标签

最新资料