论文部分内容阅读
目标分类作为图像处理领域研究的核心近年来取得了快速的发展。尤其是随着深度学习技术的不断进步和发展,卷积神经网络被越来越广泛的应用在目标分类识别工作中,并且取得了非常显著的成果。但是在使用卷积神经网络对目标进行分类识别时,因为其网络结构复杂,参数量大,所以往往需要大量数据进行训练学习,才能得到比较好的分类识别效果,然而这在现实条件下是很难满足的,训练数据量的不足往往会导致卷积神经网络不能充分学习,从而出现过拟合现象。本文以提高卷积神经网络在目标识别分类工作中的准确率为目的,提出了一种样本归一化的深度学习分类方法,另外还给出了一种基于3D模型的深度学习分类方法,并且针对实际情况进行了工程实现。样本归一化的深度学习分类通过对训练数据集和测试数据集进行归一化处理,一定程度上减小了分类目标的类内距离,有效的提高了卷积神经网络在目标识别分类工作中的准确率。在这种分类方法中,我们先通过前景目标的直方图均衡化算法对训练数据集和测试数据集进行归一化处理,然后用归一化后的训练数据集对卷积神经网络进行训练,并对同样是归一化后的待测样本进行分类识别。最后我们通过实验将其与未归一化的卷积神经网络对比,证明了其确实可以有效提高卷积神经网络在目标识别分类工作中的性能。为了进一步提高卷积神经网络对目标进行分类识别的准确率,我们采用了基于3D模型的深度学习分类方法,通过从模拟环境中生成训练数据的方式进行参数的迁移,来帮助神经网络实现对现实图像的分类检测。在实验中,我们分别在单光照的模拟环境下,多光照的模拟环境下生成模拟数据,对比了各种情况下使用3D模型进行的迁移学习后效果的不同。并且通过使用3D模拟数据集训练,然后用实拍图像微调的方式提高了其对立体积木的分类的准确率,证明了3D模型的迁移学习的有效性。最后针对实际情况对本文方法进行工程实现,将其应用到实际的分类识别工作中。