細粒度物體分類方法設(shè)計與實現(xiàn).pdf

1、圖像語義理解是近年來計算機視覺領(lǐng)域中一個非常活躍的研究領(lǐng)域。計算機對圖像的理解大致可分為三個層次: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;認知層（中層特征）為主的圖像理解:如圖像的主要區(qū)域、對象、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，是計算機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。人類對圖像的理解與描述，更接近于認知層的分析，對圖像進行檢索，往往是抽取圖像所包含的主要物體和主要場景來進行分類。因此，物體分類研究是圖像理解領(lǐng)域的一個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粗粒度的物體類別的分類，例如:動物，花鳥，汽車等類別之間差異性分析，沒有重點考慮內(nèi)容相似的圖像之間的精細差異，因此很難對指定類別的圖像做進一步區(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、準(zhǔn)確、高效地對圖像進行分類，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)用價值。
　　本文以細粒度物體分類為出發(fā)點，深入研究了物體分類的兩種主流方法，同時構(gòu)建了一個大規(guī)模細粒度動物圖像數(shù)據(jù)庫，進行了實驗驗證與分析。
　　1、基于部件模型的細粒度物體分類方法。首先通過弱標(biāo)記方法和隱支持向量機(Latent Support Vector Mac

4、hine，LSVM)迭代判別算法進行物體模型訓(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，最后利用細粒度動物圖像數(shù)據(jù)庫，進行實驗及分析。
　　2、基于卷積神經(jīng)網(wǎng)絡(luò)的細粒度物體分類方法。該方法采用的是一個八層卷積神經(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)點的響應(yīng)進行局部歸一化，卷積層重疊池化，減少全連接層的過度擬合