基于層次分類的圖像特征表達與分類方法研究.pdf_第1頁
已閱讀1頁,還剩71頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,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,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論