视觉信息的处理能力渐渐成为考验机器智能化的一个重要指标,而智能化的核心便在于对事物的识别和理解,在机器处理视觉信息时,主要的问题在于如何理解场景。这是人类理解世界所需要解决的首要问题,也是机器视觉所面临的关键问题之一。作为机器视觉的一个重要分支,场景识别已经被广泛的应用于视频监控,图像检索,智能拍照等多个领域。本文中所提算法模型主要采用了基于深度学习卷积神经网络技术的场景分类技术,主要研究内容如下:1.首先对于有监督学习的研究任务,选择了基于《AI Challenger》2017场景分类挑战赛所提供的原始数据作为基础数据,并对其进行统计分析,该数据一共包含80个分类,每个类别的训练数据量并不相同,所以我首先对其进行了平衡数据处理的算法研究和试验,根据实际的实验结果,最终选择了基于上采样的平衡方案对各类别数据进行预处理,提升分类模型对于稀有类别的识别率。2.设计多个分类模型进行分类训练并验证实测结果,经过大量实验,最终确定使用基于三个单一模型进行加权组合的集成模型来进行分类。三个单一模型分别是自定义的类残差模型,基于Inception-v3进行微调的网络模型,以及基于ResNet50进行微调的网络模型。3.在训练过程中使用了数据增强算法,对输入数据进行随机旋转,翻转,以及中心裁剪,这有效的提升了模型的泛化能力和分类准确率。同时针对集成模型中的类残差模型的训练,进行了前期的特征提取算法研究,考虑到场景分类的复杂性,本文采用了Gabor滤波技术对原始图像数据进行全局特征提取,全局特征能够更好的反映图像的空间布局,过滤不必要的信息,比原始图像像素具有更强表达能力。4.针对模型训练进行了大量的训练实验,进行了多种梯度下降(即学习率衰减)方案设计,以使得模型在最终能够尽可能地接近最优解。最终针对场景分类挑战赛的测试集数据做了实际测试,对80个场景进行自动分类,最终Top-3准确率可达98.20%,优于当前已知的在该验证数据集上的测试结果。