基于卷積神經(jīng)網(wǎng)絡(luò)的場(chǎng)景分類的研究與應(yīng)用.pdf

1、場(chǎng)景分類是圖像處理領(lǐng)域的重要研究方向之一。隨著計(jì)算機(jī)技術(shù)和互聯(lián)網(wǎng)的發(fā)展，大量的圖像數(shù)據(jù)涌入到人們的生活和工作中，面對(duì)如此巨大的圖像信息，傳統(tǒng)的場(chǎng)景分類方法和技術(shù)表現(xiàn)出很多不足。近年來，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)在圖像處理領(lǐng)域取得了很多突破性進(jìn)展，它是通過模擬人類大腦學(xué)習(xí)的過程，直接從圖像像素中提取圖像特征，并將特征提取與分類器結(jié)合到一個(gè)學(xué)習(xí)框架下，對(duì)相關(guān)對(duì)象進(jìn)行分類識(shí)別。另外，卷積神

2、經(jīng)網(wǎng)絡(luò)的局部連接、權(quán)值共享和降采樣大大減少了網(wǎng)絡(luò)的訓(xùn)練參數(shù)，簡(jiǎn)化了網(wǎng)絡(luò)模型，進(jìn)一步提高了網(wǎng)絡(luò)的訓(xùn)練效率。
　　本文針對(duì)場(chǎng)景圖像的復(fù)雜多變性和傳統(tǒng)場(chǎng)景分類方法泛化能力不強(qiáng)的問題，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行場(chǎng)景分類。卷積神經(jīng)網(wǎng)絡(luò)分類性能的好壞主要決取于網(wǎng)絡(luò)的層次結(jié)構(gòu)，因此本文研究了影響卷積神經(jīng)網(wǎng)絡(luò)分類性能的因素，并以此為根據(jù)設(shè)計(jì)了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用于場(chǎng)景分類中。具體工作如下：
　　1.針對(duì)應(yīng)用于場(chǎng)景分類設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)模

3、型中如何選擇層次結(jié)構(gòu)問題，本文設(shè)計(jì)了一個(gè)淺層卷積神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用于Scene-15數(shù)據(jù)集和SUN-397數(shù)據(jù)集的場(chǎng)景圖像分類任務(wù)中，以此研究不同大小和個(gè)數(shù)的卷積核、不同的激活函數(shù)和不同采樣方法對(duì)卷積神經(jīng)網(wǎng)絡(luò)分類性能的影響。研究表明神經(jīng)網(wǎng)絡(luò)使用較小的卷積核以及較多的核數(shù)目、最大值采樣和使用ReLU激活函數(shù)，可增加卷積神經(jīng)網(wǎng)絡(luò)的分類性能。
　　2.為更好地適應(yīng)實(shí)際場(chǎng)景圖像的要求，本文根據(jù)以上研究對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了改進(jìn)，設(shè)計(jì)了一個(gè)8

4、層的卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)的卷積層采用了較小的卷積核，并增加了卷積核的數(shù)量，這樣可以提取到更多的圖像特征，提高分類性能。同時(shí)，采樣層采用了最大值采樣方法以及ReLU激活函數(shù)。本文把改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)模型與AlexNet模型和VGGNet模型在Scene-15數(shù)據(jù)集和SUN-397數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明了該模型在場(chǎng)景分類應(yīng)用中具有良好的分類效果。
　　本文主要是在MATLAB軟件上利用MatConvNet工具箱進(jìn)行卷積