基于層次分類的圖像特征表達與分類方法研究.pdf

1、隨著互聯網和計算機的發(fā)展，圖像數據呈現爆發(fā)性增長的趨勢。越來越多的圖像物理表現與人們所熟悉的概念信息之間存在著巨大的差距，這對算法的處理能力和分類速度提出了很大的挑戰(zhàn)。因此優(yōu)秀的特征提取算法和分類模型是大規(guī)模圖像處理方面一個重要的研究方向。
　　由于圖像數量增大，使得提取圖像的特征種類和數目也會變得龐大，這對于項目的應用和設備產生了巨大的考驗。本課題主要研究了大規(guī)模圖像分類中基于層次分類的一些問題。首先，如何既能提高分類精度，又能

2、減少特征數已成為大規(guī)模圖像分類研究的一個關鍵問題。其次，由于淺層網絡提取的特征不豐富，表達不全面，是影響分類結果的主要因素，所以選擇更加優(yōu)的替代網絡顯得尤為重要。最后，在大規(guī)模數據下，需要根據不同網絡模型的性能，選擇適合樣本集的分類學習模型，以提高分類的準確率。針對這些問題，本課題進行了相關研究，主要工作總結如下：
　?。?）對于淺層網絡提取特征數目龐大的問題，本課題研究并實現了淺層網絡提取特征的方法：即首先使用SIFT算法，再使

3、用局部約束線性編碼（LLC）進行特征數目稀疏，這樣可以有效的減少特征數，提高速度。
　?。?）由于傳統(tǒng)的淺層網絡特征提取與分類耗時耗力且修改算法難度大，本課題研究并實現了在分類結果上使用基于層次分類的DARTS優(yōu)化算法，通過計算每個節(jié)點的信息增益，從而使得在人為設定的精確度下權衡出最準確的結果。
　?。?）針對基于層次分類的淺層網絡提取特征不豐富的問題，本課題研究了深度學習的理論知識，設計了使用卷積神經網絡（CNN）進行特征