基于深度学习的场景分类

《基于深度学习的场景分类》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ｆ＾．＂：＇．．如．．＇巧二Ｖ＇＇、密级分类号、．５４ＵＤＣ：单位代码１０１去、＞！；；，．＇１、Ｖ、■一一？？＇．．Ｍ诛＾＜，克’’—－、．．、一《Ｖ＇？，、’心；；苗与＾巧宁工业大学、＼＾、、！？＞义矣硕±学位论文．．，？．．．．－、．．、与Ｋ基于深度学习的场景分类＇户—，—－－支产呼．，？．，．＇＇．－－占．＇．、？．、？Ｉ－＇－；／一、广？．＇．一一、－，Ｊ．；．‘：．—、一ｒ’三－－造立

2、ｂ：巧工程领域：电子与通信工程＾研究生：张建圍、校内指导教师：孙福巧教授’校外指导教师：文！１义髙级工程师／．Ｊｔ’＂．、、、．．＞、＇？－．占、■．■‘‘ｗ＇．＇．．；．车ｖ，；—＇心二０六年立月－．．＞．．＼，＾；１．．■Ｗ＇‘■、：；ｒＶ，．＇‘、‘‘，．：‘兴；＇、和－＾ｕ－’＇气，．却＊■Ｘ＇■＊、－Ｊ＂．Ｉ＇＇＇、－：－ｊ－．＇ｆｙ■ｒ独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研

3、究成果。尽我所知，除了文中特别加！＾标注和致谢的地方外，论文中，不包含成果，工业大或已的研也不包含为获得迂其他人经发表或撰写过究宁学其他教一工而使志的证用过。与同作的同究作育机构学位或书的材料我对本研所的任贡已在论文。确表示了谢意何献均中作了明的说明并研究生签名苗＾年月曰／＞／Ｊ子于论文使用授权关的说明本全工业、，；人完了解迁宁大学有关保留使用学位论文的规定即学校有，权保留送交的印权论文被查和公复允许阅借阅；学校可布论文的全部或部分内容，。可采用影印、印或制手段缩其他复保存论文（保密的论文在解密后应遵守此规）定研究生签名＞年月曰＞多

4、／／１＇Ａ＞＜导签名；＞校内师；小（年月日ｉ１餐叫校外导师签名；■年月曰＾＞吝＾Ｊ义１辽宁工业大学硕士学位论文基于深度学习的场景分类工程领域:电子与通信工程研究生:张建国校内指导教师:孙福明教授校外指导教师:刘义高级工程师辽宁工业大学电子与信息工程学院二〇一六年三月MasterThesisSceneClassificationBasedontheDeepLearningSpeciality:ElectronicsandCommunicationEngineeringCandidate:ZHANGJian-guoSupervisors:ProfessorSUNFu-min

5、gSeniorEngineerLiuYiLiaoningUniversityofTechnologyJinzhou,121001,ChinaMarch2016摘要辽宁工业大学硕士学位论文摘要随着多媒体技术的发展和互联网的日益普及，人们生活中所接触到的图像信息与日俱增，面对巨大的图像数据，传统的人工分类标注图像的管理方式变得不再可行。现有诸如支持向量机、仅含一层隐层的神经网络、核回归等一些机器学习方法都是采用浅层学习结构，这种有限的样本数量和计算单元对复杂函数的表示存在明显的不足，在复杂的分类问题上更难以有效地表现性能和泛化能力。神经网络构建的深度学习方法取得了很多突破性的进展，在计算机

6、视觉、语音识别、自然语言处理等领域也出现了大量的创新应用。深度学习是一个模拟人类大脑学习机制的过程，采用多层神经网络对现实对象或者语音、文本等数据进行抽象表达，将抽取的特征与分类器结合到一个学习框架下，对相关对象进行分类识别等。这种采用深层非线性结构的网络，能够对复杂函数实现逼近，分布式表示输入数据，并能够抽取到输入数据的本质特征。针对传统场景分类需要人工设计特征以及特征存在的鲁棒性不强的问题，本文结合深度学习方法进行场景分类，构建了一种能够提取多种场景图像特征的深度卷积神经网络模型。该模型能够利用深度卷积神经网络框架自动的从场景数据库中学习场景图像的特征。根据深度卷积神经网络分层提取

7、图像信息的特点，该模型的底层采用较小的卷积核，可以提取到更多的底层图像特征，为高层特征奠定了良好的基础。同时，利用深度卷积神经网络最后一层4096个神经元作为场景特征，分别训练出不同场景模型，并结合Lib-SVM多分类器直接对场景图像原图进行分类。通过在两个数据集上的实验验证，表明深度卷积神经网络可以有效地提取场景特征，并使训练出的场景模型具有较强的泛化性能和较高的分类准确率。关键词：场景分类；深度学习；深度卷积神经网络；场景特征；场景模型IA