基于深度神經(jīng)網(wǎng)絡(luò)的場景分類方法研究.pdf

1、場景分類，或場景識別，是場景理解領(lǐng)域一個重要的研究方向，其依據(jù)就是按照人類視覺的組織原理，將不同的場景圖像按照其語義信息劃為不同的類別。在場景分類領(lǐng)域，一直都是采取人工提取圖像特征的方式，這種方式提取特征單一，不能很好描述各類場景，導(dǎo)致場景分類精度較低低。深度學(xué)習(xí)理論是建立在人工智能的基礎(chǔ)之上，能夠有效的描述圖像的語義信息，準確地判斷場景與場景和目標與目標之間的差異性和相似性?；诖朔N原因，本文采用深度神經(jīng)網(wǎng)絡(luò)的方法去自適應(yīng)提取圖像特征

2、。分別采用自編碼神經(jīng)網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò)等模型來構(gòu)造場景分類的方法，并在原來框架的基礎(chǔ)之上進行改進。
　　本文構(gòu)造了一種新的基于自編碼網(wǎng)絡(luò)的分類方法用來識別室內(nèi)場景。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)在一些簡單的識別領(lǐng)域中，如車牌識別和手寫字符識別，取得了較好的識別效果，但是應(yīng)用到場景識別中，識別效果不是很理想。針對這種情況，采用一種基于自編碼神經(jīng)網(wǎng)絡(luò)由粗到精的分類方法，粗分類主要采用自編碼神經(jīng)網(wǎng)絡(luò)進行預(yù)訓(xùn)練，人工神經(jīng)網(wǎng)絡(luò)粗識別；細

3、分類則采用支持向量機進行分類，HOG特征作為圖像描述子，并在MIT-67室內(nèi)場景數(shù)據(jù)集上進行驗證。
　　本文構(gòu)造了一種新的卷積神經(jīng)網(wǎng)絡(luò)框架。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)規(guī)模較小，采用單標簽值的方式進行監(jiān)督訓(xùn)練，這種單標簽的機制只適合表示簡單的圖像類別，不足以表示復(fù)雜場景的類別。針對這種問題，本文在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)框架的基礎(chǔ)上進行改進，卷積層和采樣層分別采用ReLu激活函數(shù)和Maxpooling采樣，設(shè)有四個卷積層和四個采樣層，一個全連

4、接層，一個分類層，并采用一種多標簽值的標簽進行訓(xùn)練。整個訓(xùn)練和識別過程采用一個統(tǒng)一的框架，并在Scene-15場景集上進行驗證。
　　本文利用MATLAB2014B+Deep Learning master來完成實驗設(shè)計，在自編碼神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，使用了L-BFGS算法庫來調(diào)整權(quán)值。本文提出的兩種方法分別用于室內(nèi)場景和自然場景的分類與識別。由粗到精的分類方法更符合人類認識事物的規(guī)律，并且采用自編碼神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練；卷積