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-CSDN文库

版权申诉

文档资料

57 浏览量 2022-06-02 13:33:57 上传评论收藏 256KB DOCX 举报

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

]

。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

]

。

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

]

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

]

等。

卷积神经网络的工作流程如图

$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

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

]

。VGG19 的模型结构如图

$所示，从图

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

]

，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

评论收藏

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3691
资源: 1万+

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

评论0

最新资源

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

评论0

一种基于Spring MVC技术优化Vuejs用户界面的方法.docx

100种网站推广的方法.docx

结合Yolo-v3及Open-pose的避雷器图片搬运状态识别方法.docx

一种大数据环境下的数据质量监控方法.docx

21种常见的网络推广方法.docx

关于机器学习模型8个经过证实准确率的方法.docx

一种基于微信小程序平台登录的实现方法.docx

一种基于改进YOLO v3的古文字及字体识别方法.docx

一种基于微信小程序平台智能搜索的实现方法.docx

一种基于小程序的考研报考信息查询系统及方法.docx

一种基于微信小程序的图例展示系统及方法.docx

一种基于微信小程序的课堂教学及时评分方法.docx

一种基于微信小程序的智能挪车通知方法.docx

一种基于yolov3和CNN的盘头标识识别方法.docx

一种基于YOLOv3优化算法的交通灯检测方法.docx

一种基于YOLO v3神经网络的工业零件检测方法.docx

一种基于Hough变换的车道直线检测与合并的方法.docx

一种基于信任度和专家用户的协同过滤推荐方法.docx

全国计算机等级考试二级Python真题及解析.docx

1000份ppt模版，PPT模板优秀PPT

matlab批量读取excel表格数据并处理画图

导入证书可以解决”无法建立到信任根颁发机构的证书链"问题。

OpenCv车辆识别训练模型

代码随想录知识星球精华-大厂面试八股文第二版v1.2.pdf

数学建模对乙醇偶合制备C4烯烃的问题研究

Vue-Element UI集成ECharts实现数据统计分析页代码部分(如果帮助到你，感谢关注点赞)

STM32F103C8T6中文数据手册

（头歌）计算机组成原理存储系统设计（HUST）1-7关答案

MATLAB深度学习入门实例（果树病虫害识别VGG19版）

最新资源