基于语义信息强化的深度卷积网络图像分类

作     者：张杰 

作者单位：西安电子科技大学 

学位级别：硕士

导师姓名：田小林

授予年度：2021年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：图像分类 深度卷积网络 语义信息融合 轻量化 特征增强 

摘      要：图像分类是视觉信息处理的核心问题之一,目前得到广泛关注。图像分类是根据图像所展示的语义信息对类别不同的图像加以区分,在图像分类问题中,从图像中所提取到的特征是决定最终分类结果的重要因素。传统的图像分类算法,是通过人工提取的颜色、纹理、形状等特征对分类器进行训练。随着深度学习的发展,利用卷积神经网络实现端到端的图像特征提取方法成为新的研究趋势。本文主要研究基于卷积神经网络的图像分类方法,主要工作如下:(1)提出了一种基于层间语义信息融合的深度卷积网络图像分类方法。为充分利用深层和浅层特征所包含的语义信息,提升网络的特征表达能力,引入金字塔型特征图子结构对不同空间层次图像语义特征进行融合,利用金字塔池化结构对特征图逐一进行多尺度的特征提取,构建了层间语义信息融合的深度卷积网络图像分类模型。所构建的模型通过深度卷积网络提取不同层次图像特征,利用图像金字塔型结构将包含图像基础语义信息的浅层特征与更具有判别力的深层复杂语义特征相融合,获取了丰富的图像特征信息,有利于不同类别图像特征的差异性表示;通过引入金字塔池化结构融合图像的多尺度特征,增强了特征的典型性和区分性。实验结果表明,层间语义信息融合的深度卷积网络图像分类模型能够有效提高图像分类的准确率。(2)提出了一种基于轻量化残差网络的图像分类方法。为了在保证图像分类精度的前提下降低网络参数规模,通过特征图分组卷积和通道混洗构建轻量化网络模型,将该模型融入残差网络,并引入挤压与激励架构强化图像特征表示,从而构建轻量化残差网络图像分类模型。所构建的模型通过对特征图进行分组卷积减少了网络参数量,同时利用特征通道混洗加强多分组间图像特征信息的交互,提升了网络的特征提取能力,有效消除图像特征多分组间的边界效应;通过挤压激励结构强化不同通道间特征差异,以调节图像特征通道权值,为最终分类任务提供了丰富的图像特征表示。实验结果表明,轻量化残差网络图像分类模型在图像分类任务中能够得到较好的图像分类准确率。(3)提出了一种基于特征增强的深度密集网络图像分类方法。为了实现图像特征的多样性和典型性,主干网络引入融合增强模块,并利用挤压激励架构强化图像典型特征,构建了特征增强的深度密集网络图像分类模型。所构建的模型通过融合增强模块获取更有辨识度的特征表示,并与原特征进行融合,提升了深度密集网络各瓶颈块对图像目标的特征表达能力,细化了目标图像类间特征差异;利用挤压与激励区分图像不同通道特征的重要性,优化了对图像特征的筛选能力,提高了网络模型的特征表示和泛化能力。实验结果表明,特征增强的深度密集网络图像分类模型能够在图像分类任务中得到较高的图像分类精度。