資源描述：
《基于深度學(xué)習(xí)的場(chǎng)景分類》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、ｆ＾．＂：＇．．如．．＇巧二Ｖ＇＇、密級(jí)分類號(hào)、．５４ＵＤＣ：?jiǎn)挝淮a１０１去、＞??；；，．＇１、Ｖ、■一一？？＇．．Ｍ誅＾＜，克’’—－、．．、一《Ｖ＇？，、’心；；苗與＾巧寧工業(yè)大學(xué)、＼＾、、??？＞義矣碩±學(xué)位論文．．，？．．．．－、．．、與Ｋ基于深度學(xué)習(xí)的場(chǎng)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(lǐng)域：電子與通信工程＾研究生：張建圍、校內(nèi)指導(dǎo)教師：孫福巧教授’校外指導(dǎo)教師：文?。绷x髙級(jí)工程師／．Ｊｔ’＂．、、、．．＞、＇？－．占、■．■‘‘ｗ＇．＇．．；．車ｖ，；—＇心二０六年立月－．．＞．．＼，＾；１．．■Ｗ＇‘■、：；ｒＶ，．＇‘、‘‘，．：‘興；＇、和－＾ｕ－’＇氣，．卻＊■Ｘ＇■＊、－Ｊ＂．Ｉ＇＇＇、－：－ｊ－．＇ｆｙ■ｒ獨(dú)創(chuàng)性聲明本人聲明所呈交的論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)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?。迾?biāo)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(guò)究寧學(xué)其他教一工而使志的證用過(guò)。與同作的同究作育機(jī)構(gòu)學(xué)位或書(shū)的材料我對(duì)本研所的任貢已在論文。確表示了謝意何獻(xiàn)均中作了明的說(shuō)明并研究生簽名苗＾年月曰／＞／Ｊ子于論文使用授權(quán)關(guān)的說(shuō)明本全工業(yè)、，；人完了解遷寧大學(xué)有關(guān)保留使用學(xué)位論文的規(guī)定即學(xué)校有，權(quán)保留送交的印權(quán)論文被查和公復(fù)允許閱借閱；學(xué)?？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(fù)保存論文（保密的論文在解密后應(yīng)遵守此規(guī)）定研究生簽名＞年月曰＞多
4、／／１＇Ａ＞＜導(dǎo)簽名；＞校內(nèi)師；?。暝氯眨崳姡椋辈徒校壭Ｍ鈱?dǎo)師簽名；■年月曰＾＞吝＾Ｊ義１遼寧工業(yè)大學(xué)碩士學(xué)位論文基于深度學(xué)習(xí)的場(chǎng)景分類工程領(lǐng)域:電子與通信工程研究生:張建國(guó)校內(nèi)指導(dǎo)教師:孫福明教授校外指導(dǎo)教師:劉義高級(jí)工程師遼寧工業(yè)大學(xué)電子與信息工程學(xué)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(xué)碩士學(xué)位論文摘要隨著多媒體技術(shù)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(duì)巨大的圖像數(shù)據(jù)，傳統(tǒng)的人工分類標(biāo)注圖像的管理方式變得不再可行?，F(xiàn)有諸如支持向量機(jī)、僅含一層隱層的神經(jīng)網(wǎng)絡(luò)、核回歸等一些機(jī)器學(xué)習(xí)方法都是采用淺層學(xué)習(xí)結(jié)構(gòu)，這種有限的樣本數(shù)量和計(jì)算單元對(duì)復(fù)雜函數(shù)的表示存在明顯的不足，在復(fù)雜的分類問(wèn)題上更難以有效地表現(xiàn)性能和泛化能力。神經(jīng)網(wǎng)絡(luò)構(gòu)建的深度學(xué)習(xí)方法取得了很多突破性的進(jìn)展，在計(jì)算機(jī)
6、視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域也出現(xiàn)了大量的創(chuàng)新應(yīng)用。深度學(xué)習(xí)是一個(gè)模擬人類大腦學(xué)習(xí)機(jī)制的過(guò)程，采用多層神經(jīng)網(wǎng)絡(luò)對(duì)現(xiàn)實(shí)對(duì)象或者語(yǔ)音、文本等數(shù)據(jù)進(jìn)行抽象表達(dá)，將抽取的特征與分類器結(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)別等。這種采用深層非線性結(jié)構(gòu)的網(wǎng)絡(luò)，能夠?qū)?fù)雜函數(shù)實(shí)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(zhì)特征。針對(duì)傳統(tǒng)場(chǎng)景分類需要人工設(shè)計(jì)特征以及特征存在的魯棒性不強(qiáng)的問(wèn)題，本文結(jié)合深度學(xué)習(xí)方法進(jìn)行場(chǎng)景分類，構(gòu)建了一種能夠提取多種場(chǎng)景圖像特征的深度卷積神經(jīng)網(wǎng)絡(luò)模型。該模型能夠利用深度卷積神經(jīng)網(wǎng)絡(luò)框架自動(dòng)的從場(chǎng)景數(shù)據(jù)庫(kù)中學(xué)習(xí)場(chǎng)景圖像的特征。根據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)分層提取
7、圖像信息的特點(diǎn)，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(chǔ)。同時(shí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)最后一層4096個(gè)神經(jīng)元作為場(chǎng)景特征，分別訓(xùn)練出不同場(chǎng)景模型，并結(jié)合Lib-SVM多分類器直接對(duì)場(chǎng)景圖像原圖進(jìn)行分類。通過(guò)在兩個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證，表明深度卷積神經(jīng)網(wǎng)絡(luò)可以有效地提取場(chǎng)景特征，并使訓(xùn)練出的場(chǎng)景模型具有較強(qiáng)的泛化性能和較高的分類準(zhǔn)確率。關(guān)鍵詞：場(chǎng)景分類；深度學(xué)習(xí)；深度卷積神經(jīng)網(wǎng)絡(luò)；場(chǎng)景特征；場(chǎng)景模型IA
