發(fā)布時間：2024-07-07 01:54

　　隨著近幾年的發(fā)展,深度學習方法在許多人工智能應用領域取得了極大的突破,例如計算機視覺和自然語言處理。其中在計算機視覺領域,不同于傳統(tǒng)方法依賴的手工特征提取,深度學習由于其端到端訓練的特點,和優(yōu)越的特征提取性能,近幾年以卷積神經(jīng)網(wǎng)絡為代表的深度學習方法幾乎在所有計算機視覺子領域都取得了重大突破,極大地推進了這些研究領域的發(fā)展。在本文中,基于卷積神經(jīng)網(wǎng)絡,我們將聚焦計算機視覺領域中兩個重要任務:圖像識別和語義分割。其中圖像識別(圖像分類)是所有計算機視覺任務的基礎。使用卷積神經(jīng)網(wǎng)絡的圖像分類方法首先學習關于輸入圖像的層級特征表達,然后根據(jù)這些特征進行分類。圖像分類的核心是特征學習過程,同時這也是所有其他計算機視覺任務的基礎。設計一個性能優(yōu)異的卷積網(wǎng)路結(jié)構(gòu)是所有這類方法的關鍵。而語義分割,則是實現(xiàn)圖像理解、圖像編輯與機器人環(huán)境感知的基礎。語義分割是一個密集的像素分類問題,所以其可以看成一種高層次更加精細化的圖像分類問題。本文首先分析了現(xiàn)有基于卷積網(wǎng)絡的圖像分類方法,然后提出了一種基于多支路并行卷積神經(jīng)網(wǎng)絡和判別器網(wǎng)絡的圖像識別網(wǎng)絡架構(gòu),其可以使用任意現(xiàn)有卷積神經(jīng)網(wǎng)絡模型進行構(gòu)建,并且采用一種...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

圖2.1VGG16在圖像分類上的可視化效果

圖像分類任務是卷積神經(jīng)網(wǎng)絡（CNN）最直接的應用，由于幾乎所有其它的計算機視覺任務都是以圖像分類作為基礎的，所以提高卷積神經(jīng)網(wǎng)絡的特征表達能力是極其重要的研究課題。本章提出了一個簡單但十分高效的并行卷積神經(jīng)網(wǎng)絡框架，該框架借鑒了對抗學習的思想，通過引入一個判別器網(wǎng)絡，使用一種新穎....

圖2.2典型生成對抗網(wǎng)絡示意圖

圖2.2典型生成對抗網(wǎng)絡示意圖隨著這幾年生成對抗網(wǎng)絡領域的研究的發(fā)展，其已經(jīng)廣泛的應用于各種覺任務，并不僅僅局限于圖像生成，例如風格遷移，目標檢測，語義分割再識別。D-PCN方法

圖2.3D-PCN結(jié)構(gòu)示意圖

圖2.3D-PCN結(jié)構(gòu)示意圖在D-PCN中，有多個并行的卷積神經(jīng)網(wǎng)絡（如果未作特殊說明，下文的D-PCN皆只有2個結(jié)構(gòu)相同的并行網(wǎng)絡），一個判別器，以及一個額外的分類網(wǎng)絡，整體結(jié)構(gòu)如圖2.3。兩個子網(wǎng)絡的分類器僅僅是為了訓練過程中產(chǎn)生誤差值進行參數(shù)更新，在預測階....

圖2.4基于ResNet-20的D-PCN結(jié)構(gòu)

華中科技大學碩士學位論文公式（2.3）中的12分別指代兩個子網(wǎng)絡的特征提取器，其作用類似于生成對抗網(wǎng)絡中的生成器，1()2()分別指代特征提取器學習到的特征。在公式（2.3中，不同于生成對抗網(wǎng)絡中最小化max，我們實質(zhì)是最大....

本文編號：4002973