论文部分内容阅读
随着互联网技术的快速发展,人们在网上产生或者浏览的数据量呈现出几何式的增长,这就产生了许多垃圾信息,或者说对个人没有利用价值的信息。细分到图像领域,图像数据如何做到精准地推荐给用户,这就需要改进图像的分类算法。图像数据具有直观且包含信息多的优点使得人们对它的需求越来越强烈。图像分类领域的研究已经成为了计算机视觉中非常重要的分支。近年来,深度学习已经让图像的分类变得非常简单,然而人们对图像分类的精度和速度上的要求也越来越高。本文对图像分类问题提出了一些基于深度网络优化的方法和改进的模型结构。1.提出了一种基于深度网络和稀疏Fisher矢量的图像分类方法。该方法首先通过预训练的卷积神经网络提取图像特征,将得到的特征进行稀疏Fisher矢量编码,编码后的特征送入支持向量机分类器进行训练。该方法降低了编码的复杂度,提高了特征的表征能力,进而提高了数据的分类准确性。2.提出一种深度网络特征集成优化的分类方法。该方法首先提取卷积神经网络中每一个池化层后的特征,训练的参数并不是网络内的权值参数,而是训练一组滤波器参数,它能够选择池化后的特征,最后将卷积网络中池化后的特征都通过这样一组滤波器训练,最后用集成学习的策略得到所需的分类标签。该方法并不需要重新训练网络,可以利用预训练的网络参数,在速度上有了很大的提高,而且精度方面也有一定的提高。3.提出了一种基于度量学习与多模型融合的图像分类方法。该方法首先对每一个样本数据使用SSD(Single Shot MultiBox Detector)进行目标检测,然后在图像中裁剪出目标。该方法采用改进的孪生(Siamese)结构和多模型融合对裁剪出的区域进行处理。这种方法能进一步降低背景的影响和克服单模型的局限性,进而提高分类的准确性。