欢迎来到天天文库
浏览记录
ID:18171268
大小:2.77 MB
页数:64页
时间:2018-09-14
《基于机器学习的刑侦图像分类与检索技术研究》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、密级公开分类号TP302.1工程硕士学位论文基于机器学习的刑侦图像分类与检索技术研究申宇飞指导教师白小军副教授刘颖高级工程师申请学位级别工程硕士工程领域软件工程2018年5月4日基于机器学习的刑侦图像分类与检索技术研究学科:软件工程研究生签字:指导教师签字:企业导师签字:摘要随着我国信息技术的快速发展,大量刑侦图像被采集用于现代化的案件侦破中,这些图像不仅包含许多有价值的线索,还可以提供有力的证据,但是由于数量众多,还有图像本身的特性使得这些信息难以被挖掘,传统的采用人工手段利用图像的方式,已经不能满足现代化刑侦办案的需求,迫切需要用现代化的信息技术手段实现对刑侦图像的自动
2、分类与检索,有效挖掘图像信息等,从而提高管理效率,体现刑侦图像的重要价值。深度学习是近些年机器学习领域发展起来的新兴技术,其通过模拟人脑认知事物的过程,对于图像信息的挖掘取得了传统技术手段难以比拟的成果,本文参考学习了大量这方面的相关技术以及研究成果,将其与刑侦图像的分类与检索结合起来,主要的研究成果如下:(1)在图像分类方面,本文将深度学习技术应用于刑侦图像,实现了自动化分类以及标注,具体包括对一系列基于区域的卷积神经网络分类算法进行了深入研究,对FasterRcnn进行了改进,将改进后的方法命名为YF-FasterRcnn。使用从配合单位获取的宝贵刑侦图像,制作了刑侦图
3、像数据集,在该数据集上进行了大量实验,调整大量参数以调优网络,能够识别图像中多个物体,使用本文改进后的方法对分类结果正确率有明显提高。(2)在图像检索方面,本文搭建了自己的卷积神经网络,加入了金字塔池化层,在本文制作的训练集上进行网络训练,阐述了一种深度学习特征YF-DL提取方式,将提取到的深度学习特征用于图像检索,本文将几种传统浅层特征与深度学习特征进行了检索比较实验,发现使用深度学习特征的检索性能优于传统特征。本文将深度学习特征与传统特征结合起来,研究了多特征对检索效果的影响。最后将基于语义与基于内容的检索方式结合起来,相较于传统检索,查全率、查准率均有明显提高。关键词
4、:刑侦图像;卷积神经网络;图像检索ResearchonCriminalImageClassificationandRetrievalBasedonMachineLearningDiscipline:SoftwareEngineeringStudentSignature:SupervisorSignature:AbstractWiththerapiddevelopmentofourcountry'sinformationtechnology,alargenumberofcriminalinvestigationimageshavebeencollectedforthedete
5、ctionofmoderncases.Theseimagesnotonlycontainmanyvaluableclues,butalsoprovidestrongevidence,butduetothelargenumberofimagesandthecharacteristicsoftheimagesthemselvesthatmakesitdifficulttodigoutthisinformation,thetraditionalwaythatuseartificialmeanstomakeuseofimageshasbeenunabletomeettheneeds
6、ofmoderncriminalinvestigationcases.Itisurgenttousemoderninformationtechnologytoachievecriminalinvestigationimagesautomaticclassificationandimageinformationmining,etc.,therebyimprovingmanagementefficiency,reflectingtheimportantvalueofcriminalinvestigationimage.Deeplearningisanemergingtechno
7、logydevelopedinthefieldofmachinelearninginrecentyears.Bysimulatingtheprocessofcognitivethingsinthehumanbrain,thathasmademanyachievementsfordiggingoutimageinformation,whichtraditionaltechniquescan’tcompare,thisarticlehaslearnedalotaboutthistechnologyandresearch
此文档下载收益归作者所有