基于卷积神经网络的迁移学习算法研究及其在细粒度图像识别中的应用
发布时间：2022-11-09 19:05
图像识别技术目前已经广泛应用于互联网行业、金融行业、安防领域,相关的模型算法都很成熟。但是,在细粒度图像识别研究上存在很多空白,一方面在于目前的图像识别算法主要集中于研究―大‖类识别,例如区分猫和狗、房子和车辆等,而很少关注于细粒度识别的范畴,例如在同为犬类的情况下区分阿拉斯加犬和和哈士奇。另一方面,采集带有标注信息的细粒度数据过程中通常需要特定领域的专家知识导致非常耗时而且困难巨大,所以细粒度图像识别领域缺乏充足的且精确标记的训练样本。由于训练样本非常有限且子类之间细微的类间差异和较大的类内差异,细粒度图像分类是一项极具挑战性的研究课题。传统的细粒度识别算法通常基于人工设计的特征,例如借助于局部区域位置和关键部位标注点等额外的人工标注信息,才能获得比较好的的分类精度,但是这个过程需要耗费巨大的人力物力。因此,如何充分利用现有的少量标记样本,在不利用人工标注信息的基础上构建分类精度高、泛化能力强的细粒度图像识别模型非常必要。本文针对细粒度图像的识别问题进行了方法研究,主要工作如下:（1）构建细粒度图像数据库,从面向图像识别的公开数据集中构建了Stanford Dogs、CUB 200-...
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 课题的研究背景及意义
1.2 国内外研究现状
1.2.1 细粒度图像研究现状
1.2.2 卷积神经网络研究现状
1.2.3 迁移学习研究现状
1.3 本文主要研究工作
第二章 数据收集及预处理
2.1 细粒度图像数据库介绍
2.2 细粒度图像数据集的特点
2.2.1 低类间差异
2.2.2 高类内差异
2.2.3 背景和姿态变化
2.3 数据预处理
2.3.1 训练集和测试集划分
2.3.2 数据预处理
2.4 实验环境及配置
2.4.1 实验环境
2.4.2 深度学习框架MXNet
2.5 本章小结
第三章 卷积神经网络算法研究
3.1 卷积神经网络
3.1.1 卷积神经网络的结构
3.1.2 局部连接
3.1.3 权重共享
3.1.4 多核卷积
3.1.5 池化
3.1.6 全连接层
3.2 激活函数
3.2.1 Sigmoid激活函数
3.2.2 Tanh激活函数
3.2.3 ReLU激活函数
3.2.4 PReLU激活函数
3.2.5 ELU激活函数
3.3 防止过拟合技术
3.3.1 数据增强
3.3.2 权值衰减
3.3.3 丢弃法
3.4 深度卷积神经网络模型研究
3.4.1 AlexNet
3.4.2 VGGNet
3.4.3 GoogleNet
3.4.4 ResNet
3.4.5 DenseNet
3.5 本章小结
第四章 基于卷积神经网络的迁移学习算法研究
4.1 迁移学习理论介绍
4.1.1 迁移学习相关定义
4.1.2 迁移学习的分类
4.1.3 迁移学习的方法
4.1.4 基于模型的迁移学习准则
4.2 基于深度卷积神经网络的迁移学习算法
4.2.1 卷积神经网络的特征学习
4.2.2 基于卷积神经网络的迁移学习
4.3 本章小结
第五章 基于卷积神经网络迁移学习的细粒度图像识别
5.1 多层感知机分类模型
5.1.1 损失函数和度量指标
5.1.2 模型优化方法
5.1.3 MLP模型训练参数配置
5.2 实验结果
5.2.1 Stanford Dogs识别结果
5.2.2 CUB 200-2011 Birds识别结果
5.2.3 Oxford 102 flowers识别结果
5.3 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]基于区域边缘统计的图像特征描述新方法[J]. 余旺盛,田孝华,侯志强. 计算机学报. 2014(06)
[2]2DPCA-SIFT:一种有效的局部特征描述方法[J]. 颜雪军,赵春霞,袁夏. 自动化学报. 2014(04)
[3]基于Bag-of-phrases的图像表示方法[J]. 张琳波,王春恒,肖柏华,邵允学. 自动化学报. 2012(01)
本文编号：3704732
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 课题的研究背景及意义
1.2 国内外研究现状
1.2.1 细粒度图像研究现状
1.2.2 卷积神经网络研究现状
1.2.3 迁移学习研究现状
1.3 本文主要研究工作
第二章 数据收集及预处理
2.1 细粒度图像数据库介绍
2.2 细粒度图像数据集的特点
2.2.1 低类间差异
2.2.2 高类内差异
2.2.3 背景和姿态变化
2.3 数据预处理
2.3.1 训练集和测试集划分
2.3.2 数据预处理
2.4 实验环境及配置
2.4.1 实验环境
2.4.2 深度学习框架MXNet
2.5 本章小结
第三章 卷积神经网络算法研究
3.1 卷积神经网络
3.1.1 卷积神经网络的结构
3.1.2 局部连接
3.1.3 权重共享
3.1.4 多核卷积
3.1.5 池化
3.1.6 全连接层
3.2 激活函数
3.2.1 Sigmoid激活函数
3.2.2 Tanh激活函数
3.2.3 ReLU激活函数
3.2.4 PReLU激活函数
3.2.5 ELU激活函数
3.3 防止过拟合技术
3.3.1 数据增强
3.3.2 权值衰减
3.3.3 丢弃法
3.4 深度卷积神经网络模型研究
3.4.1 AlexNet
3.4.2 VGGNet
3.4.3 GoogleNet
3.4.4 ResNet
3.4.5 DenseNet
3.5 本章小结
第四章 基于卷积神经网络的迁移学习算法研究
4.1 迁移学习理论介绍
4.1.1 迁移学习相关定义
4.1.2 迁移学习的分类
4.1.3 迁移学习的方法
4.1.4 基于模型的迁移学习准则
4.2 基于深度卷积神经网络的迁移学习算法
4.2.1 卷积神经网络的特征学习
4.2.2 基于卷积神经网络的迁移学习
4.3 本章小结
第五章 基于卷积神经网络迁移学习的细粒度图像识别
5.1 多层感知机分类模型
5.1.1 损失函数和度量指标
5.1.2 模型优化方法
5.1.3 MLP模型训练参数配置
5.2 实验结果
5.2.1 Stanford Dogs识别结果
5.2.2 CUB 200-2011 Birds识别结果
5.2.3 Oxford 102 flowers识别结果
5.3 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]基于区域边缘统计的图像特征描述新方法[J]. 余旺盛,田孝华,侯志强. 计算机学报. 2014(06)
[2]2DPCA-SIFT:一种有效的局部特征描述方法[J]. 颜雪军,赵春霞,袁夏. 自动化学报. 2014(04)
[3]基于Bag-of-phrases的图像表示方法[J]. 张琳波,王春恒,肖柏华,邵允学. 自动化学报. 2012(01)
本文编号：3704732
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3704732.html
