基于稀疏自编码深度神经网络的林火图像分类.pdfVIP

ComputerEngineeringandApplications计算机工程与应用 基于稀疏 自编码深度神经网络的林火图像分类 王 勇 ，赵俭辉 ，章登义 ，叶 威 WANGYong，ZHAO Jianhui一，ZHANG Dengyi ，YEW ei 1．武汉大学 计算机学院，武汉 430072 2．武汉大学苏州研究院，江苏 苏州 215123 1．ComputerSchool，W uhanUniversity，W uhan430072，China 2．SuzhouInstituteofWuhanUniversity，Suzhou，Jiangsu215123，China W ANGYong，ZHAO Jianhui，ZHANG Dengyi，eta1．Forestfireimageclassificationbasedondeepneuralnetwork ofsparseautoencode~ComputerEngineeringandApplications，2014，50(24)：173—177． Abstract：Withtheproblemthatforestfireanditssimilarobjectsaredifficulttodistinguish，thispaperpresentsanewforest fireimageclassificationapproachbasedondeepneuralnetworkofsparseautoencoder．Usinganunsupervisedlearning algorithm sparseautoencodertolearn featuresoflargenumberofsmallpatchesfrom someunlabeledimageshascompleted thetrainingfordeepneuralnetwork，andthenwiththelearnedfeatures，thefeautrescanbeextractedrfom largescaleimages andbeconvolvedandpooled．Itusespooledfeaturestotrainthesoftmaxclassifierbysoflmaxregression．Experimental resultsshowthatthisnew imageclassificationapproachcanmoreeffectivelydistinguishforestfireanditssimilaro6jects， redflag，redleaves，etc．thantraditionalneuralnetworkdoes． Keywords：sparseautoencoder；unsupervisedlearning；convolveandpooling；sofimaxregression 摘 要 ：针对林火与相似 目标很难区分的问题，提出一种基于稀疏 自编码深度神经 网络的林火图像分类新方法。采 用无监督的特征学习算法稀疏 自编码从无标签图像小块中学习特征参数，完成深度神经网络的训练；利用学习到的 特征从原始大小分类图像中提取特征并卷积和均值池化特征；对卷积和池化后的特征采用soflmax回归来训练最终 softmax分类器。实验结果表明，跟传统的BP神经网络相比，新方法能够更有效区分林火与红旗、红叶等类似物体。 关键词：稀疏 自编码；无监督学习；卷积与池化；soflmax回归 文献标志码：A 中图分类号：TP391．4 doi：10．3778~．issn．1002—8331．1401．0392 1 引言 提取了火灾图像的面积重叠率 、圆形度以及火焰尖角数 森林火灾对人类森林资源构成严重危害。目前，现 目三个特征量，选择SVM进行分类器训练 ，最终利用训 存的火灾检测系统大部分是用光感或温感等传感器来 练好的分类器实现了火焰及干扰物体的分类识别问题。 检测森林火灾，但利用视频图像处理技术来识别真实林 Ko等 提出一种基于亮度地图和SVM从视频序列中获 火场景中火焰方面的研究与应用也越来越常见。林区 得可靠火灾检测结果算法。贾洁等