基于深度神經(jīng)網(wǎng)絡(luò)的場(chǎng)景分類方法研究.pdf

1、場(chǎng)景分類，或場(chǎng)景識(shí)別，是場(chǎng)景理解領(lǐng)域一個(gè)重要的研究方向，其依據(jù)就是按照人類視覺(jué)的組織原理，將不同的場(chǎng)景圖像按照其語(yǔ)義信息劃為不同的類別。在場(chǎng)景分類領(lǐng)域，一直都是采取人工提取圖像特征的方式，這種方式提取特征單一，不能很好描述各類場(chǎng)景，導(dǎo)致場(chǎng)景分類精度較低低。深度學(xué)習(xí)理論是建立在人工智能的基礎(chǔ)之上，能夠有效的描述圖像的語(yǔ)義信息，準(zhǔn)確地判斷場(chǎng)景與場(chǎng)景和目標(biāo)與目標(biāo)之間的差異性和相似性。基于此種原因，本文采用深度神經(jīng)網(wǎng)絡(luò)的方法去自適應(yīng)提取圖像特征

2、。分別采用自編碼神經(jīng)網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò)等模型來(lái)構(gòu)造場(chǎng)景分類的方法，并在原來(lái)框架的基礎(chǔ)之上進(jìn)行改進(jìn)。
　　本文構(gòu)造了一種新的基于自編碼網(wǎng)絡(luò)的分類方法用來(lái)識(shí)別室內(nèi)場(chǎng)景。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)在一些簡(jiǎn)單的識(shí)別領(lǐng)域中，如車牌識(shí)別和手寫字符識(shí)別，取得了較好的識(shí)別效果，但是應(yīng)用到場(chǎng)景識(shí)別中，識(shí)別效果不是很理想。針對(duì)這種情況，采用一種基于自編碼神經(jīng)網(wǎng)絡(luò)由粗到精的分類方法，粗分類主要采用自編碼神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，人工神經(jīng)網(wǎng)絡(luò)粗識(shí)別；細(xì)

3、分類則采用支持向量機(jī)進(jìn)行分類，HOG特征作為圖像描述子，并在MIT-67室內(nèi)場(chǎng)景數(shù)據(jù)集上進(jìn)行驗(yàn)證。
　　本文構(gòu)造了一種新的卷積神經(jīng)網(wǎng)絡(luò)框架。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)規(guī)模較小，采用單標(biāo)簽值的方式進(jìn)行監(jiān)督訓(xùn)練，這種單標(biāo)簽的機(jī)制只適合表示簡(jiǎn)單的圖像類別，不足以表示復(fù)雜場(chǎng)景的類別。針對(duì)這種問(wèn)題，本文在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)框架的基礎(chǔ)上進(jìn)行改進(jìn)，卷積層和采樣層分別采用ReLu激活函數(shù)和Maxpooling采樣，設(shè)有四個(gè)卷積層和四個(gè)采樣層，一個(gè)全連

4、接層，一個(gè)分類層，并采用一種多標(biāo)簽值的標(biāo)簽進(jìn)行訓(xùn)練。整個(gè)訓(xùn)練和識(shí)別過(guò)程采用一個(gè)統(tǒng)一的框架，并在Scene-15場(chǎng)景集上進(jìn)行驗(yàn)證。
　　本文利用MATLAB2014B+Deep Learning master來(lái)完成實(shí)驗(yàn)設(shè)計(jì)，在自編碼神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，使用了L-BFGS算法庫(kù)來(lái)調(diào)整權(quán)值。本文提出的兩種方法分別用于室內(nèi)場(chǎng)景和自然場(chǎng)景的分類與識(shí)別。由粗到精的分類方法更符合人類認(rèn)識(shí)事物的規(guī)律，并且采用自編碼神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練；卷積