基于卷積神經網絡的場景分類的研究與應用.pdf

1、場景分類是圖像處理領域的重要研究方向之一。隨著計算機技術和互聯(lián)網的發(fā)展，大量的圖像數(shù)據(jù)涌入到人們的生活和工作中，面對如此巨大的圖像信息，傳統(tǒng)的場景分類方法和技術表現(xiàn)出很多不足。近年來，卷積神經網絡(Convolutional Neural Network,CNN)在圖像處理領域取得了很多突破性進展，它是通過模擬人類大腦學習的過程，直接從圖像像素中提取圖像特征，并將特征提取與分類器結合到一個學習框架下，對相關對象進行分類識別。另外，卷積神

2、經網絡的局部連接、權值共享和降采樣大大減少了網絡的訓練參數(shù)，簡化了網絡模型，進一步提高了網絡的訓練效率。
　　本文針對場景圖像的復雜多變性和傳統(tǒng)場景分類方法泛化能力不強的問題，結合卷積神經網絡方法進行場景分類。卷積神經網絡分類性能的好壞主要決取于網絡的層次結構，因此本文研究了影響卷積神經網絡分類性能的因素，并以此為根據(jù)設計了一個卷積神經網絡模型，應用于場景分類中。具體工作如下：
　　1.針對應用于場景分類設計的卷積神經網絡模

3、型中如何選擇層次結構問題，本文設計了一個淺層卷積神經網絡模型，應用于Scene-15數(shù)據(jù)集和SUN-397數(shù)據(jù)集的場景圖像分類任務中，以此研究不同大小和個數(shù)的卷積核、不同的激活函數(shù)和不同采樣方法對卷積神經網絡分類性能的影響。研究表明神經網絡使用較小的卷積核以及較多的核數(shù)目、最大值采樣和使用ReLU激活函數(shù)，可增加卷積神經網絡的分類性能。
　　2.為更好地適應實際場景圖像的要求，本文根據(jù)以上研究對神經網絡模型進行了改進，設計了一個8

4、層的卷積神經網絡。該網絡的卷積層采用了較小的卷積核，并增加了卷積核的數(shù)量，這樣可以提取到更多的圖像特征，提高分類性能。同時，采樣層采用了最大值采樣方法以及ReLU激活函數(shù)。本文把改進后的卷積神經網絡模型與AlexNet模型和VGGNet模型在Scene-15數(shù)據(jù)集和SUN-397數(shù)據(jù)集上進行了對比實驗，實驗結果證明了該模型在場景分類應用中具有良好的分類效果。
　　本文主要是在MATLAB軟件上利用MatConvNet工具箱進行卷積