關于圖像分類問題的幾種深度學習策略研究.pdf

1、圖像分類能夠有效地管理和組織圖像，為圖像處理的多個領域的工作奠定良好的基礎。伴隨互聯網技術和社交網絡的興起，數字圖像數量上急劇增加應用也越來越多，人們在情感和信息表達的時候也更多采用直觀的圖片來代替文字。大量的數字圖像需要管理、分析、檢索，這迫切需要效率更高、更準確的圖像分類技術。深度學習是對傳統神經網絡進行擴展的一種學習方法，模擬人腦認知逐步抽象的過程，加深了隱含層數量，可以自動學習特征。卷積神經網絡(Convolutional Ne

2、ural Networks)是深度學習結構中在圖像分類領域里應用最多、成績最突出的一種，與傳統的淺層學習算法相比，在圖像分類效果上有顯著的提升，因而受到了廣泛關注。
　　深度學習模型雖然在圖像分類領域取得令人矚目的分類效果，但一直無法用數學理論來證明其問題求解過程，這使得研究局限于通過實驗來調整模型結構和參數，從而設計出更為有效的模型。除了對模型本身的研究，深度學習與其它的機器學習方法的融合，引入其他方法的優(yōu)點解決相應的問題也是研

3、究的一個熱點。本文介紹了卷積神經網絡的應用與研究熱點，引入遷移學習、支持向量機、多尺度空間模型、模糊分類等方法與卷積神經網絡模型融合，著重研究模型結構和參數設計，以獲得在具體圖像分類問題中更準確、有效的結果。具體內容如下:
　　(1)針對小樣本圖像分類問題，將圖像小樣本分類應用于小范圍的圖像定位。結合問題特點設計了一種基于遷移學習的混合CNN結構(TCNN-SVM)，通過遷移學習使得小型數據庫可以在利用大型數據庫訓練所得到的更有區(qū)

4、分度和魯棒性更高的特征，并且利用特征遷移通過固定特征抽取部分參數，重新訓練分類器部分參數適應新的數據集，在一定程度上降低了訓練的時間成本和訓練復雜度?；旌夏Ｐ椭幸肓酥С窒蛄繖C作為分類器，避免由于樣本類別數過少導致全連接層間神經單元數量陡降的問題。同時采用了符合場景識別定位的小樣本數據擴增技術，通過切割和小角度旋轉，使得采集的樣本數不需要太多也能獲得比較好的分類效果。
　　(2)針對精細圖像分類問題，主要研究電商平臺中女裝商品的精

5、細分類。借鑒空間金字塔模型的思想提出基于多尺度異構CNN的學習模型（MHI-CNN）。與單個CNN的結構相比，采用異構的CNN結構學習到的特征差異性更大，能夠更為有效地解決精細分類問題中特征差異化的問題。設計多尺度的輸入，避免了CNN結構輸入維數固定的問題，這使得輸入圖像不會因為單一的切割而損失重要信息。采用投票機制計算權值來混合多個CNN結構，避免使用平均的方式弱化區(qū)分性能強的CNN結構。同時將前景分割、顏色通道變化作為一種數據擴增的

6、手段。前景分割在精細分類中通常是作為預處理手段，實踐表明，其對分類結果有明顯的提升作用，但也會帶來部分信息損失。這些信息在某些情況下可能是很重要的。而作為CNN數據擴增的方式，既增加了樣本的數量更符合CNN訓練要求，同時保留了背景中有價值的信息。
　　(3)針對低質量圖像和難分辨圖像分類問題，主要研究電商平臺中買家秀中的低質量和難分辨圖像的分類管理。借鑒人工處理低質量圖像的思路，提出了一個基于模糊分類的卷積神經網絡模型。采用CNN

7、模型，沒有預先對圖像做增強或者是超分辨率重建的操作，減少了計算的時間復雜度。在分類過程中，引入了模糊隸屬度的概念，對每個分類先通過卷積神經網絡的特征提取獲得類模板，計算與類模板的貼近度，最后輸出一個類別標簽的模糊度。這樣解決了低質量和難分類圖像的分類結果硬性判定的問題。
　　以上所提出的方法的有效性都在相應的數據庫上進行了實驗驗證，實驗結果表明，上述所提方法是有效的。
　　最后，在總結全文的基礎上，提出了有待進一步研究的課題