發(fā)布時(shí)間：2024-06-02 16:47

　　近十多年來(lái),人工智能技術(shù)的迅猛發(fā)展,推動(dòng)了計(jì)算機(jī)視覺(jué)技術(shù)廣泛且成功地應(yīng)用于現(xiàn)實(shí)生活。傳統(tǒng)上簡(jiǎn)單的物體分類已經(jīng)無(wú)法滿足現(xiàn)實(shí)需求,富有挑戰(zhàn)的細(xì)粒度圖像識(shí)別問(wèn)題成為計(jì)算機(jī)視覺(jué)領(lǐng)域的熱點(diǎn)方向。通常,細(xì)粒度數(shù)據(jù)集中具有類間區(qū)分度弱、類內(nèi)區(qū)分度強(qiáng)的特性,要求算法能分辨更多的圖像細(xì)節(jié)。依托200類鳥(niǎo)類數(shù)據(jù)集(CUB200-2011)及自建的中國(guó)東洞庭湖濕地水鳥(niǎo)數(shù)據(jù)集,本文開(kāi)展了基于深度學(xué)習(xí)的鳥(niǎo)類細(xì)粒度識(shí)別算法研究及微信小程序?qū)崿F(xiàn)工作。主要工作如下:1.對(duì)鳥(niǎo)類細(xì)粒度識(shí)別的國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行了梳理與綜述,闡述了該項(xiàng)研究的主要問(wèn)題以及未來(lái)發(fā)展。2.為應(yīng)對(duì)國(guó)內(nèi)公開(kāi)鳥(niǎo)類圖像數(shù)據(jù)集缺乏的情況,建立了東洞庭湖136類水鳥(niǎo)數(shù)據(jù)集,并對(duì)數(shù)據(jù)集中樣本進(jìn)行了詳細(xì)標(biāo)注。3.提出了一種基于父類mask特征聯(lián)合神經(jīng)網(wǎng)絡(luò)(CF-CNN)算法。該算法主要有兩點(diǎn)創(chuàng)新:第一,將鳥(niǎo)類細(xì)粒度類別作為子類,鳥(niǎo)類整體歸為父類,利用預(yù)訓(xùn)練的分割網(wǎng)絡(luò)模型獲取父類mask信息,將mask信息作為attention信息對(duì)分類網(wǎng)絡(luò)特征進(jìn)行特定區(qū)域增強(qiáng)操作;第二,認(rèn)為細(xì)粒度類別應(yīng)當(dāng)更關(guān)注顏色、線條等底層特性,提出通過(guò)底層信息再利用的方式加強(qiáng)模型效果。最終...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１單層感知機(jī)簡(jiǎn)單結(jié)構(gòu)圖??７??

使得整個(gè)人工神經(jīng)??網(wǎng)絡(luò)結(jié)構(gòu)能通過(guò)編程語(yǔ)言控制或?qū)懭胗布�設(shè)備。在各種人工神經(jīng)網(wǎng)絡(luò)方法中??ＢＰ（ｂａｃｋ?ｐｒｏｐａｇａｔｉｏｎ）網(wǎng)絡(luò)是最經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)之一，接下來(lái)本章將對(duì)ＢＰ網(wǎng)??絡(luò)進(jìn)行介紹。??２．１．１單層神經(jīng)元結(jié)構(gòu)??對(duì)于人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它的核心處理單元叫做神經(jīng)元。....

圖２．?２多層感知器結(jié)構(gòu)圖??

?第二章深度學(xué)習(xí)技術(shù)簡(jiǎn)介???單層感知機(jī)的核心計(jì)算公式如２－１所示。??（ｓｆｌ?ｉｆ?ｗ－ｘ?＋?ｂ＞０??／（ｘ）｜〇?ｏｔｈｅｒｗｉｓｅ?（２＿丨）??ｍ公式中代表權(quán)重的大小，６是偏置項(xiàng)。６功能是避免過(guò)擬合的發(fā)生。ｗｘ??為ｍ代表輸入結(jié)構(gòu)的數(shù)量，ｘ代表數(shù)值用于輸入。通常在簡(jiǎn)....

圖２．?３簡(jiǎn)單Ｂ－Ｐ神經(jīng)網(wǎng)絡(luò)模型圖??如圖２．３所示，最左邊的３個(gè)單元為輸入單元，輸入是一個(gè)由ｘｐｘ２，：ｃ３組成??

層神??經(jīng)網(wǎng)絡(luò)類似，區(qū)別在于增加了反向傳播的過(guò)程。ＢＰ神經(jīng)網(wǎng)的運(yùn)算過(guò)程主要有三??點(diǎn)，第一步執(zhí)行與多層神經(jīng)網(wǎng)絡(luò)相同的正向傳播過(guò)程，第二步通過(guò)第一步得到的??輸出值與真實(shí)值進(jìn)行比較，計(jì)算輸出值與真實(shí)值的差并進(jìn)行反向傳播更新參數(shù)。??第三部步每輸入一部分樣本數(shù)據(jù)就重復(fù)第一二步，直到差....

圖２．４?ＢＰ算法流程圖??２．２卷積神經(jīng)網(wǎng)絡(luò)算法??目前計(jì)算機(jī)視覺(jué)領(lǐng)域中，研宄人員運(yùn)用最廣泛的神經(jīng)網(wǎng)絡(luò)算法就是卷積神經(jīng)??網(wǎng)絡(luò)算法

?第二章深度學(xué)習(xí)技術(shù)簡(jiǎn)介???集中單個(gè)樣本誤差的累加和。??在研究ＢＰ神經(jīng)網(wǎng)絡(luò)的過(guò)程中研究人員也發(fā)現(xiàn)了它的幾點(diǎn)缺陷：第一，ＢＰ??神經(jīng)網(wǎng)絡(luò)有訓(xùn)練至局部最小化的可能性，這會(huì)使得最后的模型無(wú)法達(dá)到最優(yōu)解；??第二，ＢＰ神經(jīng)網(wǎng)絡(luò)由于參數(shù)眾多會(huì)導(dǎo)致訓(xùn)練時(shí)間比較長(zhǎng)久，并且對(duì)硬件要求也??比....

本文編號(hào)：3987523