收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于深度学习的图像分类方法研究

郭丽丽  
【摘要】:图像作为人类感知事物的视觉基础,是人们从外界获得信息的重要依据,所以让机器自动完成图像识别、分类具有重要意义。图像分类最重要的部分是特征提取,研究高效的特征提取算法在图像领域至关重要。深度学习(Deep Learning, DL)是多层的网络结构,它通过建立、模拟人脑的分层结构,对外部输入的声音、图像、文本等数据进行从低级到高级的特征提取,所以深度学习在图像分类领域具有广阔的应用空间。而深度学习本身存在训练时间过长、过拟合等问题,本文以提高深度模型分类精确度、缩短训练时间和防止模型过拟合三个问题为出发点,主要研究工作如下:首先,本文研究了极速学习机(Extreme Learning Machine,ELM)作为卷积神经网络(Convolutional Neural Network,CNN)分类器的可行性与意义,进而提出了混合深度模型CNN-ELM(Convolutional Neural Network-Extreme Learning Machine)。先用原始的CNN训练网络,然后用ELM替换CNN的输出层完成最后的分类,混合模型结合了CNN有效提取图像特征和ELM快速高效的特点,使得两种方法能够协同工作,实验表明CNN-ELM提高了CNN的分类精确度。其次,针对深度学习方法训练时间过长的问题,研究了随机参数网络结构的可行性与意义。核极速学习机是在ELM的基础上引入了核函数,具有更好的分类效果,从而提出了基于核极速学习机的随机参数深度模型:卷积极速学习机(Convolutional Extreme Learning Machine with Kernel,CKELM)。在模型CKELM中,把随机权值的卷积层和降采样层作为隐含层,来提取输入图像的显著特征。实验表明该算法既保证了分类精确度又大大缩短了深度算法的训练时间。最后,本文研究了基于DropConnect的深度自动编码器算法的应用意义和可行性。DropConnect作为一种新型的正则化方法,在处理过拟合等问题上表现突出,所以文章提出了一种基于DropConnect的深度自动编码器模型DDAE(DropConnect Deep AutoEncoder)。实验表明将DropConnect思想引入自动编码器中有效的提高了算法的性能。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 陈戏墨,徐红兵,李志铭,谢铉洋,李曦,李扬彬;数据挖掘在医学图像分类中的应用[J];现代计算机(专业版);2005年01期
2 冀翠萍;孟祥增;;基于内容的图像分类体系[J];电脑知识与技术(学术交流);2007年07期
3 杨杰;陈晓云;;图像分类方法比较研究[J];微计算机应用;2007年06期
4 杨文潮;姜志坚;;图像分类技术研究[J];福建电脑;2008年08期
5 葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;;一种基于相容信息粒原理的图像分类方法[J];广西师范大学学报(自然科学版);2008年03期
6 王军;王员云;;粒计算及其在图像分类中的应用研究[J];计算机工程与科学;2009年03期
7 吴军;王士同;;基于正负模糊规则的相结合的图像分类[J];计算机应用;2011年01期
8 吴军;王士同;赵鑫;;正负模糊规则系统、极限学习机与图像分类[J];中国图象图形学报;2011年08期
9 郝永宽;王威;聂维同;王德强;;图像分类与聚类分析[J];数字技术与应用;2011年12期
10 蒋玲芳;张伟;司梦;;基于词袋模型的电子报图像分类方法研究[J];信阳师范学院学报(自然科学版);2013年01期
11 徐杰;景丽萍;于剑;;基于超边相关性的图像分类方法[J];模式识别与人工智能;2014年02期
12 邵忻;;基于跨领域主动学习的图像分类方法[J];计算机应用;2014年04期
13 肖政宏;王家廞;;一种新的基于目标和特征的图像分类框架[J];计算机应用与软件;2006年05期
14 杜玫芳;;数字图书馆中图像分类技术研究[J];现代计算机(专业版);2008年01期
15 周晓光;匡纲要;万建伟;;极化SAR图像分类综述[J];信号处理;2008年05期
16 秦磊;高文;;基于内容相关性的场景图像分类方法[J];计算机研究与发展;2009年07期
17 杨怿菲;;一种基于图像特征的图像分类方法[J];现代电子技术;2009年14期
18 毕萍;;图像分类方法的对比研究[J];现代电子技术;2009年18期
19 孟海东;郝永宽;王淑玲;;聚类分析在非监督图像分类中的应用研究[J];计算机与现代化;2009年10期
20 姚晓昆;邱桃荣;葛寒娟;刘清;王剑;;基于多层次相容粒度的图像分类[J];河北师范大学学报(自然科学版);2010年01期
中国重要会议论文全文数据库 前10条
1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年
2 文振焜;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年
3 王海峰;管亮;;基于颜色特征的图像分类技术在油品分析中的应用[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年
4 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议(HHME2010)、第19届全国多媒体学术会议(NCMT2010)、第6届全国人机交互学术会议(CHCI2010)、第5届全国普适计算学术会议(PCC2010)论文集[C];2010年
5 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年
6 李博;韩萍;;基于压缩感知和SVM的极化SAR图像分类[A];第二十七届中国(天津)2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年
7 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年
8 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集(研究报告篇)[C];2003年
9 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集(研究报告篇)[C];2007年
10 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年
中国博士学位论文全文数据库 前10条
1 胡尧;基于低秩矩阵估计的机器学习算法分析[D];浙江大学;2015年
2 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年
3 陈博;基于集成学习和特征选择的极化SAR地物分类[D];西安电子科技大学;2015年
4 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年
5 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年
6 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年
7 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年
8 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年
9 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年
10 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年
中国硕士学位论文全文数据库 前10条
1 张明静;基于改进遗传算法的分块综合特征加权图像分类研究[D];华南理工大学;2015年
2 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年
3 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年
4 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年
5 钟畏丹;基于HSV和纹理特征的图像分类[D];华中师范大学;2015年
6 焦阳;基于主动学习的多标签图像分类方法研究[D];苏州大学;2015年
7 王腾川;基于主动学习的SAR图像分类方法研究[D];上海交通大学;2015年
8 NGUYEN QUANG KHANH;基于极化SAR目标信息提取与SVM分类[D];哈尔滨工业大学;2015年
9 王朔琛;基于半监督支持向量机的图像分类方法研究[D];陕西师范大学;2015年
10 杨东坡;基于深度学习的商品图像分类[D];大连交通大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978