没有合适的资源?快使用搜索试试~ 我知道了~
一种使用边缘增强技术提高相似图片检索召回率的方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 57 浏览量
2022-06-02
13:33:57
上传
评论
收藏 256KB DOCX 举报
温馨提示
试读
11页
一种使用边缘增强技术提高相似图片检索召回率的方法.docx
资源详情
资源评论
资源推荐
1 引言
图像分类的主要任务是利用图像信息中呈现的各类特征,将不同种类的图
像数据按相应维度进行区分、归类。图像分类的核心内容在于图像特征的提取 ,
提取的高级语义特征有利于对图像内容或本质的理解,也能进一步提高图像分
类的精度。在大数据时代,互联网技术实现了量变到质变的突破,庞大的数据
量为数据的分析、特征的挖掘提供了坚实的基础,加上机器算力的快速发展,
使深度学习方法逐渐成为图像分类的主流方法
[1
]
。卷积神经网络是深度学习技术
中的热点研究方向,具有强大的特征提取能力和非线性拟合数据能力,是现今
图像分类任务中最为有效的算法之一
[2
]
。
本文根据神经网络的特性,将其应用于海量云盘图片的分类。对于同一物
体,由于成像角度的细微变化会引起图像的旋转,云盘中可能存有同一物体的
多张旋转图像,因此要求分类方法具有旋转不变性,即方法提取的特征不会受
图像旋转的影响。此外,同一物体在不同背景下的图像也常见于云盘中,同样
需要考虑背景变化对分类性能的影响。
本文使用经典的深层网络结构 VGG19 进行图像分类,并采用边缘增强图
像替代原始图像以减少旋转或背景变化对 VGG 网络分类性能造成的影响,基于
大量数据进行多次对比实验以避免偶然性结果,验证了本文所提方法的可行性
与有效性。
2 VGG 网络模型
2.1 卷积神经网络
卷积神经网络(convolutional neural network, CNN)是一种前向神经网
络,其设计灵感来源于动物视觉神经的工作过程,通过研究视觉神经细胞中感
受野(receptive field)之间的工作性质与原理,将逐层激励的思路通过计算机
代码实现
[3
]
而提出了第一个 CNN——神经认知机(Neocognitron),人工神经
网络的应用之路也由此开启。真正意义上的第一个 CNN 模型是 LeNet,随后出
现了各种模型,例如经典的 Alex Net、VGG-Net、Google Net
[4
]
等。
卷积神经网络的工作流程如图
1
$所示,与传统神经网络相比,CNN 的网络
特点在于其深度,CNN 通过加大深度的方式提高性能,在输入图片数据之后对
其进行多轮次、多维度的卷积与池化处理,提取图像的特征,并在最后的全连
接层进行汇总和决策输出。在训练过程中,CNN 通过卷积运算模拟视觉神经的
工作方式,使用权值共享的方法减少网络中的一些重复或者冗余的参数,从而
在一定程度上简化网络的计算过程,节约存储空间。池化操作的主要任务是降
低维度,通过避免数据过拟合现象来强化模型的泛化能力。
图 1
图 1卷积神经网络的工作流程
卷积神经网络为多层次结构,每层具有不同功能与计算方式,具体如下。
(1)输入层主要完成图像表述形式的转换,将每张图像转换成矩阵表示形
式,矩阵中的元素为三元组,对应图像中每个像素点的 RGB 分量。矩阵中的每
个像素点均参与卷积计算,并得到相应的输出结果。
(2)卷积层则负责主要的特征运算,是卷积神经网络中的核心部分。一般
在网络内会使用多个大小不同的卷积核,常见的卷积核大 小有 1×1、3×3 和
7×7 等,卷积操作将输出一个二维的特征图,特征图数量与卷积核的数量相同。
卷积操作的核心是简化网络结构,通过局部连接减少连接总数,通过权值共享
减少权值参数,从而在整体上达到减少参数的目的,在一定程度上防止出现过
拟合现象。另外,通过卷积操作得到的特征具有更好的鲁棒性和拓扑对应性。
卷积的数学表达式如下。
ymn=f(∑j=0J−1∑i=0I−1xm+i,n+jWi,j+b),ymn=f(∑j=0J−1∑i=0I−1xm+i,n+j
Wi,j+b),
0≤m≤M,0≤n≤N (1)0≤m≤M,0≤n≤N (1)
其中,x 是指二维输入信号向量 xx 中的元素,W 表示 J×I 的卷积核 W 中的
元素,b 为偏移量,y 为 M×N 的输出向量 yy 中的元素。
(3)池化层也称作下采样层,其主要任务是进行网络结构的简化,对冗余
信息进行删减,降低模型的参数和整体运算量,一般出现在卷积层之后,在
VGG19 的网络中通常选用最大池化。
(4)全连接层位于最后一层,不同于局部连接,该层节点与上层的节点全
部采用两两连接方式,由于全连接的特性,全连接层的操作可以将图像的维度
降到一维,在整个卷积神经网络中起到分类输出的作用。
(5)输出层可以使用 Softmax 等分类器对结果进行分类,使用何种分类
器取决于实际的应用场景,对于 Softmax 分类器而言,全连接层得到的向量
xx,在 Softmax 回归中将其分类为类别 j 的概率可由式(2)计算得到:
p(y(i)=j∣∣∣∣∣x(i);θ)=eθTjx(i)∑l=1keθTlx(i) (2)p(y(i)=j|
x(i);θ)=eθjTx(i)∑l=1keθlTx(i) (2)
其中,j 为类别代号,k 为向量 x 的维度,θ 表示模型参数,其值通过最小化
代价函数得到,代价函数如下:
J(θ)=−1m[∑i=1m∑j=1kBijlogp(y(i)=j∣∣x(i);θ)]
(3)J(θ)=−1m[∑i=1m∑j=1kBijlogp(y(i)=j|x(i);θ)] (3)
其中,B
ij
为判断函数,当 y
(i)
= j 时为 1,否则为 0。
2.2 VGG19 深度卷积网络模型
常用的 VGG 模型一般有 VGG13、VGG16 和 VGG19 等,它们分别为 13
层、16 层、19 层的网络结构
[5
]
。VGG19 的模型结构如图
2
$所示,从图
2
可以
看出 VGG19 模型输入图像的像素大小为 224 dpi×224 dpi×3 dpi,VGG19 网络
中全部采用 3×3 的卷积核,步长为 1 dpi,在卷积层(convolution)后面都设
有一个步长为 2 dpi 的 2×2 的最大池化层(max pooling),使用时,可以根据
不同的场景、不同的需求选取不同层次网络的输出结果。 Softmax 是一个多分
类器,用于计算输入的图像在 Image Net 中每个类别下的概率,由最终的概率
矩阵得出预测标签。
在 VGG 中,采用以多个小型卷积核代替单个大型卷积核的策略进行优化,
小型卷积核所需的参数更少并且更能保留图像的特性
[6
]
,例如,使用 3 个步长为
1 dpi 的 3×3 卷积核通过层层叠加达到 7×7 卷积核的效果能大幅度减少参数数量,
同时更小的卷积核更有利于保持图像原本的性质。
VGG 网络的结果非常简洁,整个网络中的卷积核尺寸相同,最大池化尺寸
也相同,能适应各种不同尺寸的输入图像,并且通过缩小卷积核的方式增强了
卷积层性能。但除去卷积层之外,全连接层中使用了较多的参数,使 VGG 的计
算将耗费更多的资源。目前,已有大量研究表明,VGG 网络随着层数的增加,
识别率也会相应上升,但耗费的时间同样会增加。
VGG 网络的结构非常简洁,能处理不同尺寸的输入图像;同时,为了增强
卷积层性能,采用以多个小型卷积核代替单个大型卷积核的策略进行优化。但
除去卷积层之外,全连接层使用的参数相对更多,同样会在一定程度上使 VGG
的计算耗费更多的资源。目前,已有大量研究表明,增加 VGG 网络的层数能相
应提升识别率,但与之相对应,计算的时间耗费同样会增加。
综上所述,VGG19 是一种深层的卷积神经网络,可以对任意尺寸的图片进
行处理,在处理时首先通过共享卷积层或特化卷积层,利用滑动特征映射图的
方法提取图像的低级特征信息,再通过卷积层与池化层进一步提取高维的特征
信息,最终通过全连接(fully connected)层与分类器计算各类的分类得分。
对于样本图片,由于图片的低级特征大体类似,对于不同任务、不同类型的卷
积神经网络在网络的前部卷积时提取的特征都可以相互借鉴,实现权值共享。
本文利用这一特点,将 VGG19 应用于云盘图片数据的分类。
图 2
剩余10页未读,继续阅读
罗伯特之技术屋
- 粉丝: 3691
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 3层独栋别墅图纸编号D055-三层-26.00&20.50米- 施工图.dwg
- 三层别墅图纸编号D054-三层-17.70&15.00米-施工图.DWG
- 三层别墅图纸编号D053-三层-16.59&19.58米-施工图.dwg
- 三层别墅图纸编号D052-三层-13.40&17.77米- 施工图.dwg
- 某日温度曲线以及日负荷曲线数据
- 全新STC12C5A60S2单片机+LCD19264大屏万年历农历生肖节气节日显示+闹钟+温湿度+台灯.rar
- 流水灯(库函数)三个灯依次亮灭
- 3层独栋别墅图纸编号D051-三层-10.14&17.04米- 施工图.dwg
- 常用的MIME TYPE类型枚举类Enum整理 静态方法直接检索使用
- Python网络爬虫实际例子代码
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0