基于深度層次特征學(xué)習(xí)的大規(guī)模圖像分類研究.pdf

1、近年來(lái)，圖像分類逐漸成為圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究方向，是機(jī)器學(xué)習(xí)和模式識(shí)別的基本問(wèn)題。隨著互聯(lián)網(wǎng)與信息技術(shù)的不斷發(fā)展，每天都有大量的數(shù)字圖像通過(guò)各種渠道不斷的出現(xiàn)在人們的生活中，因此，深入研究大規(guī)模圖像分類問(wèn)題具有非常重要的理論意義和實(shí)用價(jià)值。目前，深度學(xué)習(xí)在機(jī)器學(xué)習(xí)領(lǐng)域異軍突起，獲得了巨大的發(fā)展，相關(guān)的理論和實(shí)踐成果層出不窮，在大數(shù)據(jù)處理平臺(tái)上運(yùn)用深度學(xué)習(xí)理論解決圖像分類問(wèn)題是近幾年的研究熱點(diǎn)。
　　本文在大數(shù)據(jù)處

2、理平臺(tái)Hadoop的基礎(chǔ)上，采用深度學(xué)習(xí)方法學(xué)習(xí)圖像的深層次的特征，從而對(duì)大規(guī)模圖像進(jìn)行分類。具體內(nèi)容如下：
　　1.提出了基于分布式K-means的圖像特征提取算法。系統(tǒng)的描述了單機(jī)K-means算法所要解決的問(wèn)題及其執(zhí)行流程，闡述了分布式K-means算法的基本思想和實(shí)現(xiàn)方法，K-means算法被廣泛使用來(lái)構(gòu)建視覺(jué)詞匯的詞袋，由于其實(shí)施方便和高效的特點(diǎn)，本文提出在大數(shù)據(jù)處理平臺(tái)Hadoop的基礎(chǔ)上，采用分布式K-means算法

3、提取圖像的特征，最終良好的解決了大規(guī)模圖像分類問(wèn)題。首先，通過(guò)分布式K-means算法計(jì)算出聚類中心，即字典，再通過(guò)設(shè)定的特征提取函數(shù)提取圖像的特征，最后將學(xué)習(xí)得到的特征輸入到分類器中對(duì)圖像進(jìn)行分類。本文在數(shù)據(jù)集ImageNet和CIFAR-100分別做了實(shí)驗(yàn)，研究了預(yù)處理(白化操作)操作對(duì)字典和圖像分類準(zhǔn)確度的影響，同時(shí)，在數(shù)據(jù)集STL-10上，對(duì)該算法的圖像分類準(zhǔn)確度進(jìn)行了驗(yàn)證，通過(guò)實(shí)驗(yàn)證明，該算法可以達(dá)到良好的圖像分類準(zhǔn)確度。

4、r>　　2.提出了基于深度層次特征學(xué)習(xí)的大規(guī)模圖像分類算法。采用深度學(xué)習(xí)的思想，從底層的原始像素開始，做底層的抽象，逐漸向高層進(jìn)行抽象迭代，最終得到了具有更高抽象性的圖像特征，同時(shí)，結(jié)合分布式處理思想，將算法進(jìn)行并行化處理。本文提出的模型具有5層，每一層都具有相似的結(jié)構(gòu)，即預(yù)處理、圖像特征提取和圖像特征選擇的過(guò)程，前一層的輸出作為下一層的輸入，通過(guò)每一層的迭代，在最后一層得到更能準(zhǔn)確表達(dá)圖像的特征，最終輸入給分類器進(jìn)行圖像的分類。同時(shí)，