

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、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
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(méi)有圖紙預(yù)覽就沒(méi)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
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的場(chǎng)景分類研究.pdf
- 基于深度神經(jīng)網(wǎng)絡(luò)的心電圖自動(dòng)分類方法研究與實(shí)現(xiàn).pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的多標(biāo)簽場(chǎng)景分類.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用.pdf
- 基于深度自適應(yīng)神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法研究.pdf
- 基于深度神經(jīng)網(wǎng)絡(luò)的文本表示與分類研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的場(chǎng)景分類的研究與應(yīng)用.pdf
- 基于深度神經(jīng)網(wǎng)絡(luò)的人車分類算法.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的室外場(chǎng)景理解研究.pdf
- 基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤方法研究.pdf
- 基于GPU的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化方法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量分類方法研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的熟料顆粒方法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的EEG信號(hào)分類方法研究.pdf
- 基于深度神經(jīng)網(wǎng)絡(luò)的視覺(jué)位姿估計(jì)方法研究.pdf
- 基于深度脊波神經(jīng)網(wǎng)絡(luò)的極化SAR影像地物分類.pdf
- 基于深度神經(jīng)網(wǎng)絡(luò)與稀疏學(xué)習(xí)的極化SAR圖像分類.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的腦組織分割方法研究.pdf
- 基于稀疏表示和深度神經(jīng)網(wǎng)絡(luò)模型的西洋樂(lè)器自動(dòng)分類方法.pdf
評(píng)論
0/150
提交評(píng)論