基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺關(guān)鍵技術(shù)研究.pdf

1、近年來深度學(xué)習(xí)技術(shù)的研究引起了學(xué)術(shù)界和工業(yè)界的廣泛興趣，推動(dòng)了人工智能領(lǐng)域一系列應(yīng)用研究的快速發(fā)展。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)領(lǐng)域的一個(gè)重要研究分支，與計(jì)算機(jī)視覺相關(guān)技術(shù)的研究聯(lián)系尤為緊密。隨著網(wǎng)絡(luò)結(jié)構(gòu)的不斷優(yōu)化以及海量數(shù)據(jù)集的出現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)近年來在一系列的計(jì)算機(jī)視覺應(yīng)用領(lǐng)域中取得了突破性的研究進(jìn)展。然而，計(jì)算機(jī)視覺作為一個(gè)研究內(nèi)容相當(dāng)廣泛的領(lǐng)域，無論在特定技術(shù)的深度還是領(lǐng)域廣度的研究方面，仍然存在著很大的研究空間。計(jì)算機(jī)視覺領(lǐng)域可以

2、分為三個(gè)層次的研究：低層特征研究、中層語義特征表達(dá)和高層語義理解?；诰矸e神經(jīng)網(wǎng)絡(luò)，本文針對計(jì)算機(jī)三個(gè)層次中的代表性關(guān)鍵技術(shù)進(jìn)行了探索，分別是物體識(shí)別、場景標(biāo)注和場景識(shí)別。
　　本研究主要內(nèi)容包括：⑴在物體識(shí)別領(lǐng)域，針對單列卷積神經(jīng)網(wǎng)絡(luò)容易過擬合的問題，研究了異構(gòu)多列卷積神經(jīng)網(wǎng)絡(luò)在物體識(shí)別應(yīng)用中的效果。基于主流數(shù)據(jù)集的實(shí)驗(yàn)表明，異構(gòu)多列卷積神經(jīng)網(wǎng)絡(luò)相比于單列的卷積神經(jīng)網(wǎng)絡(luò)能有效提高網(wǎng)絡(luò)的泛化性能。針對傳統(tǒng)的網(wǎng)絡(luò)融合存在的融合方式單

3、一，泛化性能較差的問題，提出了一種基于滑動(dòng)窗口的網(wǎng)絡(luò)融合策略?；瑒?dòng)窗口融合策略針對不同網(wǎng)絡(luò)中輸出的置信度信息進(jìn)行有選擇的融合，相比于傳統(tǒng)單一的網(wǎng)絡(luò)融合方式，滑動(dòng)窗口融合策略是一種更加一般化的方法，并且兼容了經(jīng)典的融合策略，能夠有效提高網(wǎng)絡(luò)融合的效果。⑵在場景標(biāo)注領(lǐng)域，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的場景標(biāo)注方法，并且在主流的室內(nèi)室外場景標(biāo)注數(shù)據(jù)集中，均取得了優(yōu)于經(jīng)典算法的場景標(biāo)注效果。針對場景標(biāo)注中的特征學(xué)習(xí)問題，研究了基于訓(xùn)練的卷積神經(jīng)網(wǎng)

4、絡(luò)特征和通用的卷積神經(jīng)網(wǎng)絡(luò)特征在場景標(biāo)注任務(wù)中的應(yīng)用效果。針對傳統(tǒng)場景標(biāo)注算法中存在標(biāo)注結(jié)果區(qū)域一致性問題，提出了區(qū)域一致性激勵(lì)算法。區(qū)域一致性激勵(lì)算法利用場景圖像中的全局邊緣概率，迭代地對場景標(biāo)注的區(qū)域一致性效果進(jìn)行改善?；诠矓?shù)據(jù)集上的實(shí)驗(yàn)表明，區(qū)域一致性激勵(lì)算法相比于經(jīng)典的同類算法能夠取得更好的場景標(biāo)注準(zhǔn)確度和視覺一致性。⑶在場景識(shí)別領(lǐng)域，提出了一種基于多尺度顯著區(qū)域特征學(xué)習(xí)的場景識(shí)別方法，并且在公共數(shù)據(jù)集的實(shí)驗(yàn)中取得了相比于同

5、類經(jīng)典算法更好的場景識(shí)別效果。針對場景圖像內(nèi)容信息較為復(fù)雜的問題，提出了一種顯著區(qū)域的判別策略，并且利用顯著區(qū)域的多尺度信息對一幅場景圖像進(jìn)行表達(dá)。針對傳統(tǒng)人工設(shè)計(jì)特征在場景識(shí)別任務(wù)中的判別性能較弱的問題，利用了卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)策略，在多尺度的顯著區(qū)域?qū)鼍皥D像特征進(jìn)行學(xué)習(xí)，完成特征表達(dá)。實(shí)驗(yàn)表明，基于多尺度顯著區(qū)域的特征學(xué)習(xí)策略能有效提高場景識(shí)別的準(zhǔn)確度。此外，卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)特征相比于傳統(tǒng)的人工設(shè)計(jì)特征具有更好的判別性能