深度學習在圖像分類中的應(yīng)用研究.pdf

1、圖像分類的準確性關(guān)系到用戶圖像檢索時的體驗，傳統(tǒng)的圖像分類方法適合處理少量數(shù)據(jù)，分類準確度較低。隨著多媒體技術(shù)的發(fā)展，日益增長的圖像數(shù)據(jù)給圖像分類技術(shù)帶來了新的挑戰(zhàn)。深度學習技術(shù)的出現(xiàn)順應(yīng)了大數(shù)據(jù)時代要求，使得圖像特征提取不再依靠底層特征組合變換等受人為因素影響較大的提取方法，它克服了圖像底層像素與高層語義的鴻溝，模仿人類大腦對圖像特征進行提取。深度學習模型結(jié)構(gòu)復(fù)雜多樣，包括深度卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)等，其中深度卷積神經(jīng)網(wǎng)絡(luò)在圖像分

2、類中的應(yīng)用最為廣泛。
　　從圖像語義復(fù)雜程度來說，圖像可以劃分為單標記圖像和多標記圖像，單標記圖像是一幅圖像僅屬于一個類別，多標記圖像因為圖像語義內(nèi)容豐富，可將圖像同時分到不同類別中。本文分別從解決單標記圖像和多標記圖像分類的角度來探討深度學習在圖像分類中的應(yīng)用，提出的方法介紹如下：
　　1.基于底層特征改進的深度圖像特征提取方法。
　　深度圖像特征是對圖像高層語義的描述，底層特征是對圖像色彩和像素分布規(guī)律的描述，將兩

3、種特征進行融合，提出了基于底層特征改進的深度圖像特征提取方法。首先使用深度模型提取圖像特征，然后提取顏色直方圖特征，最后通過組合的方法生成新的特征，在單標記圖像集CIFAR-10和ImageNet上同時使用Softmax和SVM分類器進行分類。實驗結(jié)果表明，新的特征表示方法提高了圖像分類的精度。該方法將圖像底層特征與高層語義特征進行組合，提高了圖像的特征表征能力。
　　2.基于降維方法改進的深度圖像特征提取方法。
　　使用深

4、度學習技術(shù)對圖像提取特征后，特征維度依然很高，為了降低特征維度，減少計算的復(fù)雜度，本文通過傳統(tǒng)降維方法對深度圖像特征提取進行改進。首先使用深度模型提取圖像特征，再分別使用不同的降維方法PCA和LDA對深度圖像特征降維處理，生成新的特征，在單標記圖像集ImageNet上同時使用SVM和KNN分類器進行分類。實驗結(jié)果表明，有監(jiān)督的降維方法顯著提高了圖像分類的性能。
　　3.基于深度學習改進的多標記圖像分類。
　　圖像一般具有多個

5、標記，分屬不同的類別，多示例多標記學習框架的提出解決了圖像多分類中存在的難題，本文對多示例多標記 KNN算法對多標記圖像分類進行改進，包括包的生成方法、特征提取方法和距離度量方法。首先對圖像均勻分割，每幅圖像被均勻分割成四部分，然后對圖像區(qū)域提取特征，分別提取顏色、紋理特征和深度圖像特征，提出兩種不同的包的生成方法，最后使用多示例多標記 KNN算法對圖像分類，在算法中使用最小Hausdorff和平均Hausdorff距離兩種不同的距離度