基于深度學習的場景分類

《基于深度學習的場景分類》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。

1、ｆ＾．＂：＇．．如．．＇巧二Ｖ＇＇、密級分類號、．５４ＵＤＣ：單位代碼１０１去、＞?。?；，．＇１、Ｖ、■一一？？＇．．Ｍ誅＾＜，克’’—－、．．、一《Ｖ＇？，、’心；；苗與＾巧寧工業(yè)大學、＼＾、、??？＞義矣碩±學位論文．．，？．．．．－、．．、與Ｋ基于深度學習的場景分類＇戶—，—－－支產(chǎn)呼．，？．，．＇＇．－－占．＇．、？．、？Ｉ－＇－；／一、廣？．＇．一一、－，Ｊ．；．‘：．—、一ｒ’三－－造立

2、ｂ：巧工程領域：電子與通信工程＾研究生：張建圍、校內(nèi)指導教師：孫福巧教授’校外指導教師：文?。绷x髙級工程師／．Ｊｔ’＂．、、、．．＞、＇？－．占、■．■‘‘ｗ＇．＇．．；．車ｖ，；—＇心二０六年立月－．．＞．．＼，＾；１．．■Ｗ＇‘■、：；ｒＶ，．＇‘、‘‘，．：‘興；＇、和－＾ｕ－’＇氣，．卻＊■Ｘ＇■＊、－Ｊ＂．Ｉ＇＇＇、－：－ｊ－．＇ｆｙ■ｒ獨創(chuàng)性聲明本人聲明所呈交的論文是我個人在導師指導下進行的研究工作及取得的研

3、究成果。盡我所知，除了文中特別加！＾標注和致謝的地方外，論文中，不包含成果，工業(yè)大或已的研也不包含為獲得迂其他人經(jīng)發(fā)表或撰寫過究寧學其他教一工而使志的證用過。與同作的同究作育機構學位或書的材料我對本研所的任貢已在論文。確表示了謝意何獻均中作了明的說明并研究生簽名苗＾年月曰／＞／Ｊ子于論文使用授權關的說明本全工業(yè)、，；人完了解遷寧大學有關保留使用學位論文的規(guī)定即學校有，權保留送交的印權論文被查和公復允許閱借閱；學?？刹颊撐牡娜炕虿浚崳姺謨?nèi)容，。可采用影印、印或制手段縮其他復保存論文（保密的論文在解密后應遵守此規(guī)）定研究生簽名＞年月曰＞多

4、／／１＇Ａ＞＜導簽名；＞校內(nèi)師；?。暝氯眨崳姡椋辈徒校壭Ｍ鈱熀灻弧瞿暝略唬崳姡蓿玖撸蓿剩壛x１遼寧工業(yè)大學碩士學位論文基于深度學習的場景分類工程領域:電子與通信工程研究生:張建國校內(nèi)指導教師:孫福明教授校外指導教師:劉義高級工程師遼寧工業(yè)大學電子與信息工程學院二〇一六年三月MasterThesisSceneClassificationBasedontheDeepLearningSpeciality:ElectronicsandCommunicationEngineeringCandidate:ZHANGJian-guoSupervisors:ProfessorSUNFu-min

5、gSeniorEngineerLiuYiLiaoningUniversityofTechnologyJinzhou,121001,ChinaMarch2016摘要遼寧工業(yè)大學碩士學位論文摘要隨著多媒體技術的發(fā)展和互聯(lián)網(wǎng)的日益普及，人們生活中所接觸到的圖像信息與日俱增，面對巨大的圖像數(shù)據(jù)，傳統(tǒng)的人工分類標注圖像的管理方式變得不再可行?，F(xiàn)有諸如支持向量機、僅含一層隱層的神經(jīng)網(wǎng)絡、核回歸等一些機器學習方法都是采用淺層學習結構，這種有限的樣本數(shù)量和計算單元對復雜函數(shù)的表示存在明顯的不足，在復雜的分類問題上更難以有效地表現(xiàn)性能和泛化能力。神經(jīng)網(wǎng)絡構建的深度學習方法取得了很多突破性的進展，在計算機

6、視覺、語音識別、自然語言處理等領域也出現(xiàn)了大量的創(chuàng)新應用。深度學習是一個模擬人類大腦學習機制的過程，采用多層神經(jīng)網(wǎng)絡對現(xiàn)實對象或者語音、文本等數(shù)據(jù)進行抽象表達，將抽取的特征與分類器結合到一個學習框架下，對相關對象進行分類識別等。這種采用深層非線性結構的網(wǎng)絡，能夠對復雜函數(shù)實現(xiàn)逼近，分布式表示輸入數(shù)據(jù)，并能夠抽取到輸入數(shù)據(jù)的本質特征。針對傳統(tǒng)場景分類需要人工設計特征以及特征存在的魯棒性不強的問題，本文結合深度學習方法進行場景分類，構建了一種能夠提取多種場景圖像特征的深度卷積神經(jīng)網(wǎng)絡模型。該模型能夠利用深度卷積神經(jīng)網(wǎng)絡框架自動的從場景數(shù)據(jù)庫中學習場景圖像的特征。根據(jù)深度卷積神經(jīng)網(wǎng)絡分層提取

7、圖像信息的特點，該模型的底層采用較小的卷積核，可以提取到更多的底層圖像特征，為高層特征奠定了良好的基礎。同時，利用深度卷積神經(jīng)網(wǎng)絡最后一層4096個神經(jīng)元作為場景特征，分別訓練出不同場景模型，并結合Lib-SVM多分類器直接對場景圖像原圖進行分類。通過在兩個數(shù)據(jù)集上的實驗驗證，表明深度卷積神經(jīng)網(wǎng)絡可以有效地提取場景特征，并使訓練出的場景模型具有較強的泛化性能和較高的分類準確率。關鍵詞：場景分類；深度學習；深度卷積神經(jīng)網(wǎng)絡；場景特征；場景模型IA