基于卷积神经网络与Bayesian决策的图像识别与分类记忆建模

摘要

当前热门图像分类方法大多侧重在分类能力,忽视识别新事物,然而人类认识事物时侧重认识,只在细小之处重视分类,这一点与人类记忆机制密切相关.尽管目前有许多记忆建模理论被相继提出,但大多以单词列表的形式学习,对自然图像列表的研究有限.基于此,本文提出了基于卷积神经网络与Bayesian决策的图像识别分类记忆建模方法,首先利用卷积神经网络提取图像特征,并采用二进制形式存储特征向量;然后进行视觉图像的表达,存储与提取记忆建模,将测试图像特征向量与所有已存储特征向量进行匹配对比,计算似然率值;最后在所有似然率基础上计算测试图像是新类别的几率,若该几率大于某个阈值则判别其为新类别;反之,利用Bayesian决策规则进行.图像分类.在Caltech-101与Caltech-256数据库上的实验表明所提方法能很好地应用于图像识别分类任务中.其击中率比目前代表性的稀疏表达分类（SRC）以及极限学习机（ELM）方法高,且虚报率比其他两种方法低的多.