弱标注环境下基于多标签深度学习的加速图像标注

《弱标注环境下基于多标签深度学习的加速图像标注》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、：公开学校代码：１０００４密级如Ｍ道乂攀ＢＥＩＪＩＮＧＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ硕±专业学位论文■■Ｖ：中－弱标注环境下基于多标签深度学习的加速图像标注作者姓名温翔工程领域控制工程．璋；自指导教师赵林海教授‘－苗培养院系电子信息工程学院；巧巧释Ｍ＇皆１ｗ：ｍｊｎＭ．．掛护．’巧奮嚴摄瑟巧邊巧．．如交４乂攀硕±专业学位论文弱标注环境下基于多标签深度学习的加速图像标注Ｆａ巧ｅ－ｒＩｍａｅＡｎｎｏｔａｔｉｏｎＢ

2、ａｓｅｄｏｎＭｕｌｔｉＬａｂｅｌＤｅｅＬｅａｒｎｉｎｆｂｒｇｐｇＷｅａｋｌｙＬａｂｅｌｅｄＤａｔａｓｅｔ作者：温翔导师：赵林海教授北京交通大学２０１６年６月学位论文版权使用授权书本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务，并采用影印、缩印或扫描等复制手段保存、汇编Ｗ供査阅和借阅。同意学校向国家有关部口或机构送交论文的复印件和磁盘。学校可レッ为存在馆际合作

3、关系的兄弟高校用户提供文献传递服务和交换服务。（保密的学位论文在解密后适用本授权说明）＇学位论文作者签名：渔ｆｗ导师签名：签字日期：又刮（年６月日签字日期：《年／月＞多日：０００４密：学校代码１级公开北京交通大学硕±专业学位论文弱标注环境下基于多标签深度学习的加速图像标注Ｆａ－ｓｔｅｒＩｍａｅＡｎｎｏｔａｔｉｏｎＢａｓｅｄｏｎＭｕｌｔｉＬａｂｅｌＤｅｅｐＬｅａｒｎｉｎｆｏｒｇｇＷｅａｋｌＬａｂｅｌｅｄＤａｔａｓｅｔｙ作者姓名：温翔学号；１４

4、口５１２２导师姓名：：赵林海职称教授工程硕±专业领域：控制工程学位级别：硕±北京交通大学２０化年６月１致谢本论文的工作是在我的导师赵林海教授的悉也指导下完成的，赵林海教授严谨的治学态度和科学的工作方法给了我极大的帮助和影响、。在此衷屯感谢Ｈ年来趁林海老师对我的关也和指导。赵林海教授悉也指导我们完成了实验室的科研工作，在学习上和生活上都给予了我很大的关也和帮助，在此向赵林海老师表示衷也的谢意。赵林海教授对于我的科研工作和论文都提出了许多的宝贵意见，在此表示衷

5、必的感谢。在实验室工作及撰写论文期间一、，孟样松吴蒙、李溪林、徐帆、赵泽等师兄在学习、科研和生活等方面都给予我很大的帮助和指导，冯栋、陈琢、黄国栋、王通等同学对我完成论文研巧工作给予了热倩帮助，在此向他们表达我的感激之情。感谢中科院自动化所模式识别国家重点实验室的董未名老师和腾讯优图团队的张宝，巧晓威等工程师在我实习期间的鼓励和支持。另外也感谢我的家人，感激他们的理解和支持，在我的学业和生活都给予了、大力支持和鼓励，使我能够在学校专屯完成我的学业。ｉｉ北京交通大学硕±专

6、业学位论文摘要随着数字信息技术不断融入人们生活，各种图像的数量増长迅猛，如何对送些海量的图像进行有效的管理并从中挖掘出对用户有用的信息成为亟需解决的问题。图像的多标签语义标注用自然语言来描述图像，将对图像的检索转换为人类。易于理解的文本检索，是解决，！Ｍ上问题的有效办法因此图像的多标签语义标注越来越受到重视。一当前多标签图像标注主要遇到两个问题。个来源于算法层面；基于传统机器学习的算法特征提取十分复杂，需要有经验的人进行精也的特征选取；而基于多标签深度学习的图像标注虽然效果好

7、且不需要人工进行特征提取和挑选，但是当前的深度学习模型往往由于计算量巨大导致ＣＰＵ模式下标注速度过巧而实用性一较差：；个来源于数据层面真实环境中训练数据集广泛存在语义标签集不完整问题，而且低频语义标签和髙频语义标签的图像数据分布十分不均衡，这种数据集称为弱标注数据集，这种数据集的标签不完整和语义分布失衡会严重的影响模型的学习效果。针对上述问题，本文提出了弱标注环境下基于多标签深度学习的图像加速标注方法。论文的主要工作如下：一（－１）针对深度卷积神经网络ＶＧＧ１６速度过巧的问题，构建

8、了种新的深度：通过修改模型卷积核的步长等方法卷积神经网络，巧小每层的输出维度，构建一出个参数计算＊约为网络ＶＧＧ－１６近１／７的深度卷积神经网络ＮｅｗＮｅｔ；然后再＿对本文提出的网络的相应卷积层进行奇异值分解巧ＶＤ），并构建出参数计算＊约为－６近Ｎ网络ＶＧＧ１１／１０的分解网络ＮｅｗＳＶＤｅｔ。本文提出的分解网络在测试集上＿＿的平均准确率相比于网络ＶＧ