基于深度学习的图像分类方法研究_孟丹.caj

所需积分/C币:50 2020-04-02 11:29:14 6.97MB CAJ
61
收藏 收藏
举报

本文在深度学习框架的基础上对特征提取方法进行了研究,并通过医学图像、人脸表情的检测和分类对其效果进行了验证。本文的研究内容主要包括以下三点:1)提出有约束的高分散主成分分析网络(Constrained High Dispersal PCANet,CHDNet)。本文详细分析了 CHDNet的不同组件对分类性能的影响,针对PCANet的局限性,设计了非线性变化层、多尺度特征池化层,以提高分类性能。将CHDNet应用在医学图像分类中,包括基于Kinect深度图像的人体生理机能自动检测和计算机辅助舌象诊断,取得良好效果。并通过加权的LIBLINEARSVM验证了在正负样本分布严重不均衡的情况下,CHDNet可以学习到稳定的特征表达。2)提出局部线性嵌入网络(Locally Linear Embedding Network,LLENet)。提出利用图像重构集和类内-类间判别矩阵对LLE算法进行改进,并将基于LLE算法的改进嵌入到卷积核的学习、构建过程中,增加了不同类之间特征表达的区分度。LLENet能够更好地保持图像数据原有的流形结构,并在人脸表情数据库(JAFFE和CK+)和人脸识别数据库(Extended Yale B)上,通过实验证明了 LLENet算法的有效性。实验结果表明,LLENet学习的特征表达不仅优于经典的人工设计的特征提取方法,而且比同类的CNN、PCANet深度学习特征提取方法更加有效。3)研究小样本数据集下基于迁移学习和全连接神经网络(Fully Connected Net-work,FCNet)的深度学习方法。分析了将深度卷积神经网络 CNN 模型迁移到小样本数据的方法,通过热度图展示了不同类别的特征,并构建用于分类的全连接分类器FCNet,特征提取和分类可以分段进行,实现了超声图像中的肝纤维化分类,达到93.90%的准确率。综上所述,本文主要研究了基于局部特征卷积核的神经网络:CHDNet和LLENet,以及在应对小样本数据集时的处理方法。通过实验,本文验证了上述算法的有效性及实际应用价值。 知网论文,学习使用

...展开详情
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 签到新秀

  • 分享王者

关注 私信
上传资源赚钱or赚积分
最新推荐
基于深度学习的图像分类方法研究_孟丹.caj 50积分/C币 立即下载
1/0