基于卷積神經(jīng)網(wǎng)絡的計算機視覺關鍵技術研究.pdf

1、近年來深度學習技術的研究引起了學術界和工業(yè)界的廣泛興趣，推動了人工智能領域一系列應用研究的快速發(fā)展。卷積神經(jīng)網(wǎng)絡作為深度學習領域的一個重要研究分支，與計算機視覺相關技術的研究聯(lián)系尤為緊密。隨著網(wǎng)絡結構的不斷優(yōu)化以及海量數(shù)據(jù)集的出現(xiàn)，卷積神經(jīng)網(wǎng)絡近年來在一系列的計算機視覺應用領域中取得了突破性的研究進展。然而，計算機視覺作為一個研究內(nèi)容相當廣泛的領域，無論在特定技術的深度還是領域廣度的研究方面，仍然存在著很大的研究空間。計算機視覺領域可以

2、分為三個層次的研究：低層特征研究、中層語義特征表達和高層語義理解?；诰矸e神經(jīng)網(wǎng)絡，本文針對計算機三個層次中的代表性關鍵技術進行了探索，分別是物體識別、場景標注和場景識別。
　　本研究主要內(nèi)容包括：⑴在物體識別領域，針對單列卷積神經(jīng)網(wǎng)絡容易過擬合的問題，研究了異構多列卷積神經(jīng)網(wǎng)絡在物體識別應用中的效果。基于主流數(shù)據(jù)集的實驗表明，異構多列卷積神經(jīng)網(wǎng)絡相比于單列的卷積神經(jīng)網(wǎng)絡能有效提高網(wǎng)絡的泛化性能。針對傳統(tǒng)的網(wǎng)絡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窗口的網(wǎng)絡融合策略?；瑒哟翱谌诤喜呗葬槍Σ煌W(wǎng)絡中輸出的置信度信息進行有選擇的融合，相比于傳統(tǒng)單一的網(wǎng)絡融合方式，滑動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)絡融合的效果。⑵在場景標注領域，提出了一種基于卷積神經(jīng)網(wǎng)絡的場景標注方法，并且在主流的室內(nèi)室外場景標注數(shù)據(jù)集中，均取得了優(yōu)于經(jīng)典算法的場景標注效果。針對場景標注中的特征學習問題，研究了基于訓練的卷積神經(jīng)網(wǎng)

4、絡特征和通用的卷積神經(jīng)網(wǎng)絡特征在場景標注任務中的應用效果。針對傳統(tǒng)場景標注算法中存在標注結果區(qū)域一致性問題，提出了區(qū)域一致性激勵算法。區(qū)域一致性激勵算法利用場景圖像中的全局邊緣概率，迭代地對場景標注的區(qū)域一致性效果進行改善。基于公共數(shù)據(jù)集上的實驗表明，區(qū)域一致性激勵算法相比于經(jīng)典的同類算法能夠取得更好的場景標注準確度和視覺一致性。⑶在場景識別領域，提出了一種基于多尺度顯著區(qū)域特征學習的場景識別方法，并且在公共數(shù)據(jù)集的實驗中取得了相比于同

5、類經(jīng)典算法更好的場景識別效果。針對場景圖像內(nèi)容信息較為復雜的問題，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行表達。針對傳統(tǒng)人工設計特征在場景識別任務中的判別性能較弱的問題，利用了卷積神經(jīng)網(wǎng)絡的遷移學習策略，在多尺度的顯著區(qū)域?qū)鼍皥D像特征進行學習，完成特征表達。實驗表明，基于多尺度顯著區(qū)域的特征學習策略能有效提高場景識別的準確度。此外，卷積神經(jīng)網(wǎng)絡的遷移學習特征相比于傳統(tǒng)的人工設計特征具有更好的判別性能