基于稀疏表示和深度学习的图像识别算法及应用研究
发布时间：2024-03-28 04:01
随着计算机科技、物理和传感器技术、存储技术、网络技术的飞速发展,数据的膨胀日益加剧。手机随时拍以及各种场合不同用途的监控摄像头时时刻刻产生着海量图像(视频)数据,各类智能移动机器人的研究中也在不断收集和积累着实验和测试图像和视频。从信号处理的角度来说,图像是高维数据,携带了大量复杂的信息和特征,如何对图像数据进行高效的分析识别从而加以合理利用,是目前亟待研究和解决的问题。稀疏表示是近年来提出的一种新颖的信号处理技术,而压缩感知为其奠定了工程应用的理论基础。目前稀疏表示已经被广泛的应用于计算机视觉、机器学习等领域,并且取得了有益的成果。例如:图像压缩、图像去噪、图像超分辨率、图像重建、图像分类识别等等。本文对基于稀疏表示和深度学习的图像识别算法及应用进行了深入的研究,主要工作概括如下:1.图像稀疏表示和深度学习方法。概括并重新描述了图像稀疏表示的基本框架、方法;重点研究和重新描述了压缩感知的理论框架,包括信号的稀疏表示、观测矩阵设计、信号重构理论。同时对深度学习的基础函数进行描述和总结。2.提出了一种基于Log-Gabor的稀疏表示分类识别算法,通过将样本数据的全局特征和局部特征信息进行...
【文章页数】：112 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 选题背景和意义
1.2 国内外相关研究现状
1.3 主要研究内容与创新点
第2章 图像稀疏表示和深度学习方法
2.1 压缩感知
2.1.1 基础框架
2.1.2 信号的稀疏表示
2.1.3 观测矩阵设计
2.1.4 信号重构
2.2 稀疏表示
2.2.1 稀疏表示数学基础
2.2.2 稀疏表示与压缩感知的关系
2.3 深度学习
2.3.1 深度学习基础知识
2.4 本章小结
第3章 一种基于全局和局部特征融合的稀疏表示分类识别算法
3.1 引言
3.2 稀疏表示分解算法
3.2.1 全局优化算法
3.2.2 贪婪算法
3.3 一种基于Log-Gabor特征的稀疏表示分类算法
3.3.1 Gabor特征分析
3.3.2 Log-Gabor特征分析
3.3.3 Log-Gabor特征提取
3.3.4 Log-GSRC算法模型
3.4 实验
3.4.1 公共人脸数据集
3.4.2 交通标志数据集
3.4.3 实验结果
3.5 本章小结
第4章 一种基于字典学习的稀疏表示分类识别算法
4.1 引言
4.2 字典学习基础
4.2.1 字典学习数学基础
4.2.2 字典构造方法
4.3 字典学习训练算法
4.3.1 最优方向算法(Method of Optical Directions,MOD)
4.3.2 在线字典学习算法(Online Dictionary Learning,ODL)
4.3.3 K-SVD算法
4.4 基于K-SVD字典学习的稀疏表示分类识别算法
4.4.1 K-means均值算法
4.4.2 K-SVD算法
4.4.3 基于K-SVD字典学习的稀疏表示分类识别算法
4.5 实验
4.5.1 公共人脸数据集
4.5.2 交通标志样本集
4.5.3 实验结果
4.6 本章小结
第5章 一种基于深度学习特征的稀疏表示分类识别算法
5.1 引言
5.2 图像特征的表示方法
5.2.1 基于全局特征的图像表示方法
5.2.2 基于局部特征的图像表示方法
5.2.3 基于深度学习特征的图像表示方法
5.3 深度学习特征的数学模型
5.3.1 BP神经网络(Back Propagation Neural Networks)
5.3.2 卷积神经网络(Convolutional Neural Networks)
5.3.3 玻尔兹曼机(Boltzmann Machine)和受限玻尔兹曼机(Restricted Boltzmann Mechine)
5.3.4 自动编码器(AutoEncoder)
5.3.5 稀疏编码和稀疏自编码(Sparse Coding)
5.3.6 深度置信网络(Deep Belief Networks)
5.4 基于深度学习特征的稀疏表示分类识别算法
5.4.1 深度卷积神经网络
5.4.2 深度卷积神经网络特征提取模型
5.4.3 基于深度卷积神经网络特征的稀疏表示分类识别算法
5.5 实验
5.5.1 数据集
5.5.2 实验结果
5.6 本章小结
第6章 总结和展望
6.1 主要工作和创新点
6.2 下一步工作展望
参考文献
致谢
在读期间发表的学术论文与取得的其他研究成果
本文编号：3940968
【文章页数】：112 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 选题背景和意义
1.2 国内外相关研究现状
1.3 主要研究内容与创新点
第2章 图像稀疏表示和深度学习方法
2.1 压缩感知
2.1.1 基础框架
2.1.2 信号的稀疏表示
2.1.3 观测矩阵设计
2.1.4 信号重构
2.2 稀疏表示
2.2.1 稀疏表示数学基础
2.2.2 稀疏表示与压缩感知的关系
2.3 深度学习
2.3.1 深度学习基础知识
2.4 本章小结
第3章 一种基于全局和局部特征融合的稀疏表示分类识别算法
3.1 引言
3.2 稀疏表示分解算法
3.2.1 全局优化算法
3.2.2 贪婪算法
3.3 一种基于Log-Gabor特征的稀疏表示分类算法
3.3.1 Gabor特征分析
3.3.2 Log-Gabor特征分析
3.3.3 Log-Gabor特征提取
3.3.4 Log-GSRC算法模型
3.4 实验
3.4.1 公共人脸数据集
3.4.2 交通标志数据集
3.4.3 实验结果
3.5 本章小结
第4章 一种基于字典学习的稀疏表示分类识别算法
4.1 引言
4.2 字典学习基础
4.2.1 字典学习数学基础
4.2.2 字典构造方法
4.3 字典学习训练算法
4.3.1 最优方向算法(Method of Optical Directions,MOD)
4.3.2 在线字典学习算法(Online Dictionary Learning,ODL)
4.3.3 K-SVD算法
4.4 基于K-SVD字典学习的稀疏表示分类识别算法
4.4.1 K-means均值算法
4.4.2 K-SVD算法
4.4.3 基于K-SVD字典学习的稀疏表示分类识别算法
4.5 实验
4.5.1 公共人脸数据集
4.5.2 交通标志样本集
4.5.3 实验结果
4.6 本章小结
第5章 一种基于深度学习特征的稀疏表示分类识别算法
5.1 引言
5.2 图像特征的表示方法
5.2.1 基于全局特征的图像表示方法
5.2.2 基于局部特征的图像表示方法
5.2.3 基于深度学习特征的图像表示方法
5.3 深度学习特征的数学模型
5.3.1 BP神经网络(Back Propagation Neural Networks)
5.3.2 卷积神经网络(Convolutional Neural Networks)
5.3.3 玻尔兹曼机(Boltzmann Machine)和受限玻尔兹曼机(Restricted Boltzmann Mechine)
5.3.4 自动编码器(AutoEncoder)
5.3.5 稀疏编码和稀疏自编码(Sparse Coding)
5.3.6 深度置信网络(Deep Belief Networks)
5.4 基于深度学习特征的稀疏表示分类识别算法
5.4.1 深度卷积神经网络
5.4.2 深度卷积神经网络特征提取模型
5.4.3 基于深度卷积神经网络特征的稀疏表示分类识别算法
5.5 实验
5.5.1 数据集
5.5.2 实验结果
5.6 本章小结
第6章 总结和展望
6.1 主要工作和创新点
6.2 下一步工作展望
参考文献
致谢
在读期间发表的学术论文与取得的其他研究成果
本文编号：3940968
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3940968.html