基于CUNet的海量圖像分類研究.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，無論是圖像數(shù)量還是圖像多樣性均呈現(xiàn)爆炸式增長的態(tài)勢。面對如此海量混雜的圖像信息，如何有效地組織和管理圖像數(shù)據(jù)成為當前的研究熱點。圖像分類作為計算機視覺領域的基礎研究，是解決這一問題的關鍵途徑。
　　近幾年，深度卷積神經(jīng)網(wǎng)絡在大規(guī)模圖像分類任務中取得了突破性進展。利用足夠大的多樣性數(shù)據(jù)集進行模型的訓練，基于深度卷積網(wǎng)絡的研究成功地在圖像分類任務中取得了前所未有的良好性能。在卷積神經(jīng)網(wǎng)絡中，卷積核起著核心作用。為

2、了學習得到有效的卷積核，不少研究學者都致力于提出優(yōu)化算法。目前的卷積網(wǎng)絡模型普遍采用的是在大量帶標簽數(shù)據(jù)上運用隨機梯度下降算法來學習卷積核，這種卷積核訓練方式嚴格依賴于參數(shù)初始化和調優(yōu)的經(jīng)驗。同時，這種卷積核學習方式極易陷入局部最優(yōu)甚至無法使網(wǎng)絡實現(xiàn)收斂。此外，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡是基于監(jiān)督式學習的，這意味著在分類模型訓練過程中，圖像的標簽是必須提供的。但是，雖然現(xiàn)如今的圖像規(guī)模與日俱增，其中帶有標簽的圖像卻少之又少，這不免使得卷積神經(jīng)網(wǎng)

3、絡不符合當前的實際應用環(huán)境?？紤]到現(xiàn)有卷積網(wǎng)絡模型的上述缺陷，本文提出構建一個簡潔的無監(jiān)督式網(wǎng)絡模型用于圖像分類任務，具體工作包括以下幾個方面：
　　1.利用經(jīng)典的聚類算法K-means對預處理后的圖像塊進行聚類得到卷積核。這種卷積核學習方式非常簡潔，摒棄了傳統(tǒng)卷積網(wǎng)絡眾多參數(shù)初始化及調優(yōu)的過程，有效地避免模型陷入局部最優(yōu)。同時，這種無監(jiān)督式訓練方式，成功地解決了帶標簽圖像樣本稀少這個瓶頸；
　　2.提出一種稱為加權池化的下