基于传统方法和深度学习的图像精细分类研究

摘要

最近多年来,针对大规模图像数据集上的图像分类一直是研究的热点。图像分类是我们让计算机理解图像关键步骤,这也意味着对图像分类的研究具有广泛的应用价值。传统的词袋模型(Bag-of-Features(BoF))框架如今被广泛应用于图像表示,它通过对局部特征量化,形成特征的稀疏表示,是一种基于统计的模型结构。尽管词袋模型取得了巨大的成功,但是它仍然没有解决从低层特征到高层概念之间存在的语义鸿沟问题,而且在图像对齐上的表现也不好。近年来,研究人员针对词袋模型的不足提出了很多成功的改进办法。其中包括,提取不同种类的特征,建立中间层的特征表达,空间赋权值等等。使用这些新方法的系统不断的提高图像分类的最佳表现,但是图像的语义于图像的特征表达之间的联系仍然很弱。
　　幸运的是,随着神经科学的不断累积发展,研究者们发现人类是通过许多局部特征的组合来识别物体的。这就告诉我们,需要建立结构性的模型来学习高层概念。然而,传统的图片集合包含了太多不相关的高层概念,这就限制了计算机视觉算法通过有限的训练数据学习到结构性的模型。这时候图像分类的一个极具前景的分支—图像精细分类(Fine-Grained Visual Categorization(FGVC))进入我们的视野。在图像精细分类问题中,待分类的图片类别之间语义很相似,从而我们可以从整个图像数据集的共同特征中学习到更好的层次结构模型。
　　这时候,传统的词袋模型在图像精细分类问题中效果很差,主要原因在于,原来被分为同一类的图片现在要在子类上继续分类,类间的区别变小,传统词袋模型的特征分辨力不够。其次,各个子类的图片在语义上相近,往往具共同的结构特征有待挖掘。
　　首先对于传统方法,我们提出了几点改进的方法和方向。首先,我们利用前景分析和区域分割方法使得图像在语义结构上对齐。第二,我们提出使用层次结构学习(HSL)算法来找到目标识别的高层概念。第三,我们提出使用几何短语池化(GPP)算法捕捉分类目标的几何特征,提高分类效果。
　　其次,鉴于近来兴起的深度学习方法在图像分类问题中展示了巨大的潜力,我们在本文中深入的探究深度学习的原理和结构,并将深度学习的一种常用模型—卷积神经网络方法引入图像精细分类中,将分类效果与传统方法进行对比。

目录

封面

声明

致谢

中文摘要

英文摘要

目录

插图清单

表格清单

第一章 绪论

1.1 课题背景及研究意义

1.2 课题的研究现状

1.3 论文的研究内容及组织结构

第二章 图像分类技术基础

2.1 图像分类方法概述

2.2 图像的特征提取

2.3 用于分类的几种常用传统图像表示模型

2.4 本章小结

第三章 基于传统方法的图像精细分类

3.1 图像精细分类问题的产生

3.2 图像精细分类的相关工作介绍

3.3 传统分类方法在图像精细分类数据集上的分类

3.4 基于传统分类方法的改进

3.5 实验结果及分析

3.6 本章小结

第四章 深度学习基础

4.1 深度学习的起源

4.2 深度学习的特征表达

4.3 深度学习的基本思想

4.4 深度学习的训练过程

4.5 深度学习的常用方法和模型简介

4.6 本章小结

第五章 基于卷积神经网络的图像精细分类

5.1 卷积神经网络

5.2 基于卷积神经网络方法的图像精细分类实验

5.3 本章小结

第六章 总结与展望

6.1 论文工作总结

6.2 进一步工作的展望

参考文献

攻读硕士学位期间的学术活动及成果情况