设为首页  |  加入收藏
 本站首页 | 实验教学 | 实验队伍 | 管理模式 | 设备与环境 | 特色项目 
现在是:
相关文章
读取内容中,请等待...
站内检索  
 
当前位置: 本站首页>>大创项目>>正文
 
[校 级]互联网海量图片语义自动识别技术的研究
2016-04-07 07:53  

像素级标签工作如语义分割,在图片识别中扮演重要的角色。本项目提出将卷积神经网络和条件随机域概率模型相结合的算法,实现海量图片智能定义像素级标签,分割图像中不同的物体,实现大数据图像中物体自动语义识别。

研究目标:

像素级标签工作例如语义分割,在图片识别方面扮演了重要的角色,设计一个强有力的特征表示是像素级标签的核心问题。将端对端特征表示代替手工标记的特征。优化卷积神经网络以及无监督学习聚类,采用监督管理深入学习的方法,为图像添加像素级标签,便于用户搜索及分类。实现大数据下图像中物体自动语义识别。

工作基础:

1、随机森林中的决策树之间是没有关联的,经常用于无监督学习聚类。最近,带有监督管理深入学习方法(如大型深度神经网络)已经在很多高水平的视觉任务(如图像识别)中取得巨大的成功。

2、卷积神经网络对于大型图像处理有出色表现。

3、项目组成员知识结构合理,具有较强的科研能力。本项目所需的软、硬件环境基本具备,完全胜任本项目的研究,具备了系统的开发和测试环境。

研究内容:

1、将卷积神经网络和条件随机域概率模型相结合的算法,实现海量图片智能定义像素级标签。

2、利用深度学习技术,智能化学习不同物体的特征,实现大数据图像中物体自动语义识别。

3、将条件随机域建模于卷积神经网络,通过常用的反向传播算法训练整个深度网络的端到端的连接。避免对象划分的离线后处理方法。

主要创新点:

1、深度学习技术自身缺乏推理判断能力、进行推理的方法和表达因果关系的手段。本项目提出卷积神经网络和条件随机域结合的方式,改善了深度学习技术在关于描绘视觉对象能力的局限性。

2、使用完全条件随机域,对图像中的全部像素块进行平滑性分析,增加约束协议,提高标签分配的准确性。

3、采用平均场迭代域作为CNN的堆栈层,增加系统的精确度。提出构造条件平均场近似推论对于密集带有高斯成对势的条件随机域作为一个递归神经网络。通过在训练中传递误差微分给卷积神经网络,改善传统卷积神经网络在前端输出的粗输出。更重要的是,通过本项目的构思,整个深度网络结合传统卷积神经网络和一个RNN的条件随机域可以通过使用常规的反向传播算法训练而成。

对大数据条件下的图像进行像素级标签工作,能够自动识别海量图片中物体的语义信息。

附件【互联网海量图片语义自动识别技术的研究.doc已下载
上一条:[校 级]气象数据可视化软件开发
下一条:[市 级]义齿加工企业信息分析与管理系统的开发与实现
关闭窗口

Copyright ?  计算机科学与技术实验教学中心