發(fā)布時間：2024-07-07 01:54

　　隨著近幾年的發(fā)展,深度學(xué)習(xí)方法在許多人工智能應(yīng)用領(lǐng)域取得了極大的突破,例如計算機視覺和自然語言處理。其中在計算機視覺領(lǐng)域,不同于傳統(tǒng)方法依賴的手工特征提取,深度學(xué)習(xí)由于其端到端訓(xùn)練的特點,和優(yōu)越的特征提取性能,近幾年以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法幾乎在所有計算機視覺子領(lǐng)域都取得了重大突破,極大地推進了這些研究領(lǐng)域的發(fā)展。在本文中,基于卷積神經(jīng)網(wǎng)絡(luò),我們將聚焦計算機視覺領(lǐng)域中兩個重要任務(wù):圖像識別和語義分割。其中圖像識別(圖像分類)是所有計算機視覺任務(wù)的基礎(chǔ)。使用卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法首先學(xué)習(xí)關(guān)于輸入圖像的層級特征表達,然后根據(jù)這些特征進行分類。圖像分類的核心是特征學(xué)習(xí)過程,同時這也是所有其他計算機視覺任務(wù)的基礎(chǔ)。設(shè)計一個性能優(yōu)異的卷積網(wǎng)路結(jié)構(gòu)是所有這類方法的關(guān)鍵。而語義分割,則是實現(xiàn)圖像理解、圖像編輯與機器人環(huán)境感知的基礎(chǔ)。語義分割是一個密集的像素分類問題,所以其可以看成一種高層次更加精細(xì)化的圖像分類問題。本文首先分析了現(xiàn)有基于卷積網(wǎng)絡(luò)的圖像分類方法,然后提出了一種基于多支路并行卷積神經(jīng)網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)的圖像識別網(wǎng)絡(luò)架構(gòu),其可以使用任意現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)模型進行構(gòu)建,并且采用一種...

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1VGG16在圖像分類上的可視化效果

圖像分類任務(wù)是卷積神經(jīng)網(wǎng)絡(luò)（CNN）最直接的應(yīng)用，由于幾乎所有其它的計算機視覺任務(wù)都是以圖像分類作為基礎(chǔ)的，所以提高卷積神經(jīng)網(wǎng)絡(luò)的特征表達能力是極其重要的研究課題。本章提出了一個簡單但十分高效的并行卷積神經(jīng)網(wǎng)絡(luò)框架，該框架借鑒了對抗學(xué)習(xí)的思想，通過引入一個判別器網(wǎng)絡(luò)，使用一種新穎....

圖2.2典型生成對抗網(wǎng)絡(luò)示意圖

圖2.2典型生成對抗網(wǎng)絡(luò)示意圖隨著這幾年生成對抗網(wǎng)絡(luò)領(lǐng)域的研究的發(fā)展，其已經(jīng)廣泛的應(yīng)用于各種覺任務(wù)，并不僅僅局限于圖像生成，例如風(fēng)格遷移，目標(biāo)檢測，語義分割再識別。D-PCN方法

圖2.3D-PCN結(jié)構(gòu)示意圖

圖2.3D-PCN結(jié)構(gòu)示意圖在D-PCN中，有多個并行的卷積神經(jīng)網(wǎng)絡(luò)（如果未作特殊說明，下文的D-PCN皆只有2個結(jié)構(gòu)相同的并行網(wǎng)絡(luò)），一個判別器，以及一個額外的分類網(wǎng)絡(luò)，整體結(jié)構(gòu)如圖2.3。兩個子網(wǎng)絡(luò)的分類器僅僅是為了訓(xùn)練過程中產(chǎn)生誤差值進行參數(shù)更新，在預(yù)測階....

圖2.4基于ResNet-20的D-PCN結(jié)構(gòu)

華中科技大學(xué)碩士學(xué)位論文公式（2.3）中的12分別指代兩個子網(wǎng)絡(luò)的特征提取器，其作用類似于生成對抗網(wǎng)絡(luò)中的生成器，1()2()分別指代特征提取器學(xué)習(xí)到的特征。在公式（2.3中，不同于生成對抗網(wǎng)絡(luò)中最小化max，我們實質(zhì)是最大....

本文編號：4002973