細(xì)粒度物體分類方法設(shè)計(jì)與實(shí)現(xiàn).pdf

1、圖像語義理解是近年來計(jì)算機(jī)視覺領(lǐng)域中一個(gè)非?；钴S的研究領(lǐng)域。計(jì)算機(jī)對(duì)圖像的理解大致可分為三個(gè)層次:以感知層（低層特征）為主的圖像內(nèi)容分析，例如顏色、紋理、形狀、輪廓等特征提取與分析的圖像處理過程;認(rèn)知層（中層特征）為主的圖像理解:如圖像的主要區(qū)域、對(duì)象、場景等概念和語義;以及涉及情感層（高層特征）的圖像情感分析，如圖像美學(xué)分析、情緒、感情等高層含義。圖像感知層特征，是計(jì)算機(jī)可直接從圖像中獲得的數(shù)據(jù)信息，但由于其存在復(fù)雜性、不穩(wěn)定性及多樣

2、性，僅從低層特征來表示圖像不能很好的與圖像語義建立關(guān)系。人類對(duì)圖像的理解與描述，更接近于認(rèn)知層的分析，對(duì)圖像進(jìn)行檢索，往往是抽取圖像所包含的主要物體和主要場景來進(jìn)行分類。因此，物體分類研究是圖像理解領(lǐng)域的一個(gè)亟待解決的核心問題，近年來吸引了眾多學(xué)者的關(guān)注。
　　現(xiàn)有的圖像物體分類大多針對(duì)粗粒度的物體類別的分類，例如:動(dòng)物，花鳥，汽車等類別之間差異性分析，沒有重點(diǎn)考慮內(nèi)容相似的圖像之間的精細(xì)差異，因此很難對(duì)指定類別的圖像做進(jìn)一步區(qū)分

3、，無法很好地滿足多層次分類需求。如何根據(jù)用戶的具體需求和圖像的內(nèi)容，精細(xì)、準(zhǔn)確、高效地對(duì)圖像進(jìn)行分類，生成便于用戶理解和使用的類別信息，具有重要的理論意義和應(yīng)用價(jià)值。
　　本文以細(xì)粒度物體分類為出發(fā)點(diǎn)，深入研究了物體分類的兩種主流方法，同時(shí)構(gòu)建了一個(gè)大規(guī)模細(xì)粒度動(dòng)物圖像數(shù)據(jù)庫，進(jìn)行了實(shí)驗(yàn)驗(yàn)證與分析。
　　1、基于部件模型的細(xì)粒度物體分類方法。首先通過弱標(biāo)記方法和隱支持向量機(jī)(Latent Support Vector Mac

4、hine，LSVM)迭代判別算法進(jìn)行物體模型訓(xùn)練。其次利用物體模型的部件濾波器與圖像特征金字塔進(jìn)行匹配來確定物體部件區(qū)域及圖像中層特征。然后將中層特征和圖像低層特征融合得到圖像特征，最后利用細(xì)粒度動(dòng)物圖像數(shù)據(jù)庫，進(jìn)行實(shí)驗(yàn)及分析。
　　2、基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度物體分類方法。該方法采用的是一個(gè)八層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。該結(jié)構(gòu)采用了非線性的線段調(diào)整函數(shù)作為輸出函數(shù)，同層相鄰節(jié)點(diǎn)的響應(yīng)進(jìn)行局部歸一化，卷積層重疊池化，減少全連接層的過度擬合