發(fā)布時(shí)間：2024-06-03 05:18

　　圖像分類(lèi)是計(jì)算機(jī)視覺(jué)的核心研究領(lǐng)域之一。在當(dāng)今信息科技時(shí)代,人們?cè)趯W(xué)習(xí)、掌握、運(yùn)用信息時(shí)面臨著新的挑戰(zhàn)。信息處理和交流越來(lái)越復(fù)雜,信息的產(chǎn)生和傳播極其迅速,圖像數(shù)據(jù)每天以幾何級(jí)數(shù)的方式增長(zhǎng)。對(duì)含有豐富信息的圖像的管理也要適應(yīng)新的特點(diǎn)和新的模式。在上述背景和條件下,如何讓計(jì)算機(jī)更加高效地管理海量的圖像信息,以及對(duì)圖像數(shù)據(jù)實(shí)施更快速、更精確的分類(lèi)是一項(xiàng)很重要的研究課題。本文基于寬度學(xué)習(xí)、深度學(xué)習(xí)、集成學(xué)習(xí)提出了以下優(yōu)化圖像分類(lèi)效果的模型和方法:1.提出了一種基于隨機(jī)寬度學(xué)習(xí)網(wǎng)絡(luò)的圖像分類(lèi)方法。首先利用隨機(jī)生成的正交矩陣提取輸入層的特征,構(gòu)成多層多分支神經(jīng)網(wǎng)絡(luò)的特征節(jié)點(diǎn),然后根據(jù)稀疏自動(dòng)編碼原理對(duì)提取的特征和期望輸出進(jìn)行擬合,利用交替方向乘子法求解優(yōu)化每個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)參數(shù),最后對(duì)每個(gè)分支網(wǎng)絡(luò)和每層網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行加權(quán),得到最終的分類(lèi)結(jié)果。所提出的模型無(wú)深度結(jié)構(gòu),求解簡(jiǎn)單,故訓(xùn)練時(shí)間較短,同時(shí)獲得了較高的圖像分類(lèi)準(zhǔn)確率。2.提出了一種基于深度殘差網(wǎng)絡(luò)優(yōu)化模型的圖像分類(lèi)方法。將多個(gè)擠壓激勵(lì)模塊分層引入殘差網(wǎng)絡(luò),通過(guò)對(duì)不同網(wǎng)絡(luò)層的特征圖分配權(quán)值,提高網(wǎng)絡(luò)的特征表征能力,采用交叉熵函數(shù)作為損失函數(shù)的...

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖4.8本章優(yōu)化模型在Cifar10數(shù)據(jù)集上的分類(lèi)結(jié)果

西安電子科技大學(xué)碩士學(xué)位論文優(yōu)化之前的模型略低，可能是由于Cifar10數(shù)據(jù)集的訓(xùn)練集和測(cè)試集中每一量相同，所以損失函數(shù)優(yōu)化沒(méi)有很好地起到防止過(guò)擬合的作用與其他算法確率比較，本章算法比ResNet110的分類(lèi)準(zhǔn)確率高，取得了較好的分類(lèi)效章的優(yōu)化模型在Cifar10數(shù)....

圖4.9本章優(yōu)化模型在CUB200數(shù)據(jù)集上的分類(lèi)結(jié)果

(c)ours2-50(d)ours2-100圖4.9本章優(yōu)化模型在CUB200數(shù)據(jù)集上的分類(lèi)結(jié)果從圖4.9中可以看出大多數(shù)類(lèi)別的分類(lèi)準(zhǔn)確率集中在平均分類(lèi)準(zhǔn)確率附近，說(shuō)本章所提出的算法的有效性4.8本章小結(jié)本章首先介紹了殘差網(wǎng)絡(luò)和擠壓激勵(lì)網(wǎng)絡(luò)的基本結(jié)構(gòu)和理論....

圖5.3本章算法在Flowers102數(shù)據(jù)集上的分類(lèi)結(jié)果

西安電子科技大學(xué)碩士學(xué)位論文，只修改預(yù)訓(xùn)練的ResNet152權(quán)值參數(shù)SoftMax層在Flowers102數(shù)據(jù)集上的分類(lèi)準(zhǔn)確率，利用預(yù)訓(xùn)練模的特征訓(xùn)練編碼器，進(jìn)行預(yù)測(cè)后得到res5c_relu層在率，利用預(yù)訓(xùn)練模型res5a_relures5b_relu層....

圖5.4本章算法在CUB200數(shù)據(jù)集上的分類(lèi)結(jié)果

表5.2本章算法在CUB200數(shù)據(jù)集上的分類(lèi)結(jié)果比較算法準(zhǔn)確率（%）Alignments[58]53.6AN-BGLm[54]60.5FC-CNN(VGG)[59]61.0ResNet15262.9ResNet152(res5c_relu)62.9ResNet15....

本文編號(hào)：3988235