论文部分内容阅读
随着图像和视频等大数据的出现和GPU等硬件运算能力的提高,这些海量数据和强大的计算能力促进了深度学习理论和技术的发展,计算机视觉随之获得了新的发展机遇。同时,视觉识别,如图像检测、定位与识别,是计算机视觉的重要组成部分,而基于深度学习的神经网络模型在图像检测和目标识别等多个计算机视觉应用领域也取得了显著成果。计算机视觉和生物视觉,两者相互借鉴,相互启发是当前研究的热点。深度卷积神经网络也是生物视觉启发的成果,但计算复杂度和模型的超参数问题一直是一个重要的挑战。本文在借鉴神经科学探究人类视觉系统的研究成果基础上,分别对生物视觉记忆、视觉交互和视觉局部学习等机制进行研究,并将其应用到深度网络,进一步提出多种新颖的深度网络模型和智能检测识别算法。主要工作与成果如下:(1)论文从生物视觉系统的视觉衰减和视觉交互机制出发,深入研究了记忆衰减和交互机制特性,提出了一种生物视觉启发的视觉集成模型,进一步丰富了模型的特征。同时将其用于图像分类任务的算法实现,并在三个基准数据集和一个实际工业数据集上仿真实验。仿真实验结果表明,视觉集成模型能获得更好的特征并表现出优秀的识别性能。(2)深度卷积神经网络作为一种重要的机器学习算法,其结构上受生物视觉的层次结构启发,在大规模图像分类中具有优异的性能。借鉴生物学的视觉交互机制,提出了一种视觉交互网络的新架构。所提出的架构主要模拟视觉皮层的交互式学习和识别过程,构建了一种包括自交互、互交互、多次交互和自适应交互等新颖的视觉交互模型。该算法在三个基准数据集和两个实际工业数据集对模型进行了仿真,仿真实验结果表明,视觉交互网络在视觉分类任务上具有高效的性能。(3)受生物视觉局部学习机制的启发,设计了一种新颖的分块卷积神经网络。网络模型可以降低计算成本,提取更具区别性的特征信息。该模型在两个基准数据集和一个实际工业数据集上进行了仿真实验,仿真实验结果表明模型有更好的性能和更低的计算消耗。(4)最后,论文在分析纺织工业生产中实际存在的缺陷分类和检测问题基础上,基于生物视觉系统的机理和深度网络结构的发展现状,针对多种情况下的实际问题提出并设计多种应用解决方案。在实际的工业数据上测试表明,所提出的疵点识别和检测算法优于现有的疵点识别和检测算法。