一种基于改进卷积神经网络的目标识别方法研究

摘要

近年来，卷积神经网络以其较强的特征泛化能力在目标识别任务中取得成功，并带动相关应用的研究热潮。大规模样本数据与高性能计算机，是提升基于卷积神经网络的目标识别方法性能的主要手段。目前已有改进卷积神经网络使用样本目标区域集构建识别模型，从扩大样本数据的角度来提升识别性能。然而，区域集的质量与数量对识别性能有着重要影响。因此，本文对区域集提取方法进行改进设计，来对特定应用在非结构化环境下的目标识别问题进行研究，以构建低硬件成本下一种扩展性强、实时、高效的目标识别方法。论文具体工作如下:
　　针对选择搜索算法获取的目标区域集存在冗余的问题，本文在基于区域合并的分割算法的基础上，对区域合并准则进行改进设计，提出分层选择搜索算法。该算法重点是在合并过程中使用多个互补的相似性度量加权构成的组合相似性度量作为区域合并的评判标准，以获取高质量、低冗余区域集作为目标或目标部件的搜索空间。两个数据集上的实验结果表明，本文算法在保证分割质量的前提下，能有效减少冗余区域。
　　针对低硬件成本下目标识别时间较长的问题，本文使用分层选择搜索算法与改进卷积神经网络设计了一种面向特定应用的目标识别方法。该方法重点在于采用分层选择搜索算法进行区域集提取，以降低处理冗余区域增加的开销;然后采用大数据集上的预训练与小数据集上的微调求解网络参数，降低训练成本及实现模型复用;最后使用微调后的网络进行样本特征提取，并结合样本类别标记信息构建分类器。在移动产品图像数据集上的实验结果表明，该方法相较于采用选择搜索的方法能有效降低识别时间;此外，与基于词袋模型的方法相比，该方法具有更高准确率与可扩展性。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 研究背景与意义

1．2 基于视觉信息的目标识别方法研究现状

1．2．1 基于外观模型的目标识别方法研究现状

1．2．2 基于局部特征的目标识别方法研究现状

1．2．3 基于机器学习的目标识别方法研究现状

1．3 本文主要工作

1．4 论文组织结构

第2章 相关研究

2．1 目标识别模型

2．1．1 区域提取

2．1．2 目标表示

2．1．3 特征学习

2．2 支持向量机分类算法

2．2．1 线性可分SVM

2．2．2 线性不可分SVM

2．2．3 多分类SVM

2．2．4 LIBSVM及LIBLINEAR工具

2．3 神经网络参数求解算法

2．3．1 反向传播算法

2．3．2 梯度下降算法

2．3．3 深度学习工具Caffe

2．4 评估数据集

2．5 本章小结

第3章 基于区域合并准则改进的分层选择搜索算法

3．1 初始目标区域集提取方法

3．1．1 数学模型

3．1．2 算法描述

3．2 基于区域合并准则改进的分层选择搜索算法

3．2．1 算法描述

3．2．2 算法代码框架

3．3 权值可调组合相似性度量

3．3．1 颜色纹理相似性计算

3．3．2 相似性度量层级传递

3．3．3 权值可调组合相似性度量

3．4 实验及结果分析

3．4．1 实验方法

3．4．2 实验结果与分析

3．5 本章小结

第4章 一种基于改进卷积神经网络的目标识别方法

4．1 改机卷积神经网络

4．1．1 权值共享

4．1．2 卷积层

4．1．3 池化层

4．1．4 全连接层

4．1．5 空间金字塔池化层

4．2 基于改进卷积神经网络与分层选择搜索的目标识别方法

4．2．1 高质量低冗余区域集提取

4．2．2 不同缩放比下构建模型

4．2．3 大规模数据集上的预训练

4．2．4 特定应用中小数据集微调

4．3 实验及结果分析

4．3．1 实验方法

4．3．2 实验结果与分析

4．4 本章小结

结论

参考文献

攻读硕士学位期间发表论文及申请专利目录

攻读硕士学位期间所参加的科研项目目录

致谢