基于深度学习的文物图像内容理解

摘要

在网络信息复杂，视觉信息膨胀的当今时代，图像，视频等视觉信息有着传播速度快，传播范围广的特点。如何从庞大的信息库中提取有效信息，并利用这些信息创造价值是一个值得研究的问题。图像内容理解是指通过图像识别，获取能够描述图像内容的文字。图像内容理解的意义包括识别暴力，不健康影像，达到预防有害信息传播和有害行为发生的目标。本课题主要讨论图像识别在文物图像内容理解中的应用。同时在另一方面，图像识别与图像检索紧密相关，通过对图像识别方法的研究，可以使图像检索更加准确和高效。由于图像内容识别的应用领域十分广泛，这也使得在该领域的研究更有意义。
　　图像特征提取是图像内容识别的一个重要环节。不同于一些传统的特征抽取方法，需要人工设定提取的特征，构建深度学习网络的方法因为可以自身完成特征的学习，而被证明有很大的优势。本文利用适合应用于图像这种多维信息识别问题的卷积神经网络抽取图像特征，进行图像分类，获取图像内容信息。通过共享权值的方法，降低了运算复杂度。在所搭建的深度学习模型中引入对数据的降维操作，提高了模型的学习效率。同时在深度网络输出层之前，增加全链接层，改进了模型结构，提高了图像识别的速度。通过多组对比实验证明，本文采用的深度学习方法让图像识别的任务更准确和高效。

目录

声明

摘要

第一章 绪论

1．1 研究的背景及意义

1．2 国内外研究现状

1．2．1 图像识别的研究现状

1．2．2 深度学习的研究现状

1．3 主要研究工作和创新点

1．3．1 主要研究工作

1．3．2 创新点

1．4 文章组织结构

第二章 相关理论

2．1 图像识别概述

2．1．1 模式识别的简介

2．1．2 图像识别的概念和过程

2．1．3 图像识别的难点和方法

2．1．4 图像的特征提取

2．2 深度学习概述

2．2．1 深度学习的概念和思想

2．2．2 深度学习的特点

2．2．3 深度学习的结构

2．2．4 深度学习的常用方法

2．3 卷积神经网络概述

2．3．1 卷积神经网络的特点

2．3．2 卷积神经网络识别原理

2．4 本章小结

第三章 基于卷积神经网络的图像识别方法

3．1 改进的卷积神经网络模型

3．2 模型的训练步骤

3．3 模型的训练方法

3．3．1 数据预处理

3．3．2 训练过程

3．4 图像识别流程

3．5 本章小结

第四章 文物图像识别系统

4．1 需求分析

4．1．1 功能需求

4．1．2 非功能需求

4．2 系统用例图

4．3 系统设计

4．4 系统实现

4．4．1 系统开发环境

4．4．2 系统开发过程

4．5 本章小结

第五章 实验与分析

5．1 数据来源

5．2 数据处理与加工

5．2．1 数据预处理

5．2．2 相关实验参数的设定

5．3 数据训练

5．4 系统验证

5．4．1 实验评价指标

5．4．2 深度学习算法验证及结果

5．5 系统应用

5．6 本章小结

第六章 总结与展望

6．1 全文总结

6．2 未来展望

参考文献

致谢

研究成果及发表的学术论文

作者及导师介绍