基于重心学习的图像识别及应用平台.pdfVIP

华东师范大学硕士学位论文 摘 要 近几年随着硬件性能的不断升级，越来越多基于深度学习的人工智能应用正 在不断走进我们的生活中，从基于自然语言处理技术的语音助手和机器翻译，到 基于计算机视觉技术的图像识别、检测和分割，无一不为我们的生活提供了极大 的便利。但是值得注意的是，深度学习应用的成功与否，是取决于训练数据量的 规模的，比如计算机视觉领域的大规模图像数据集ImageNet[1]，经过它训练的模 型才能在多种数据场景下都取得不错的泛化能力，否则，对于在小规模的数据集 上训练得到的模型，将会过于局限，造成过拟合的问题。 因此，本文将研究重点聚焦于深度学习中的数据增强技术，用以将小规模数 据集进行扩充，从而增强模型的泛化能力，我们主要针对的数据类型是图像数据。 有关图像的数据增强，可以通过对原图添加一个微小的扰动，或是对图像局部信 息进行改变等方式来实现，这些方法也早已被证明是有效的。而近年来又涌现了 一批通过图像混合的方式进行数据增强的研究工作，同样也取得了不错的成效。 经过研究发现，我们可以从图像重心生成的角度去重新看待这些方法，比如 Mixup[2]方法本质上就是在寻找图像在欧氏空间下的重心，因此我们基于这种 角度，提出了两种新颖的图像重心生成方法，其一为基于Wasserstein重心的Opt- TransMix方法，另一个为基于深度神经网络隐含空间下图像重心的AutoMix方法， 我们通过对比实验，验证了本文的两种方法在数据增强方面的有效性，并且在开 集问题和对抗噪声的鲁棒性方面也取得了不错的实验结果。此外，我们还开发了 一个图像识别的平台，用以对计算机视觉相关的需求进行快速验证，并将本文的 两种图像混合方法集成到其中，作为小规模数据集数据增强的有效手段，在研究 生期间，该平台在多个项目的评估过程中得到了有效的应用。 关键词:数据增强，图像混合，图像重心，卷积神经网络，深度学习 . i 华东师范大学硕士学位论文 ABSTRACT Inrecentyears,withthecontinuousupgradingofhardwareperformance,moreand moreartificialintelligenceapplicationsbasedondeeplearningareconstantlyentering ourlives.Theapplicationsallprovidegreatconvenience,fromvoiceassistantsandma- chinetranslationwhicharebasedonnaturallanguageprocessingtechnology,toimage recognition,detectionandsegmentationwhicharebasedoncomputervisiontechnology. However,itisworthnotingthatthesuccessofdeeplearningapplicationsdependsonthe scaleofthetrainingdata.Forexample,themodeltrainedonthelarge-scaleimagedataset ImageNet[1]canachievegoodgeneralizationcapabilityinvariousdatascenarios.Other- wise,themodeltrainedonasmall-scaledatasetwillbetoolimitedcausedbyover-fitting problem. Therefore,thisarticlefocusesondataaugmentationtechniquesindeeplearningto expandsmall-scaledatasetstoenhancethegeneralizationabilityofthemodel.Wemainly researchonimagedata.Itcanbesimplyimplementedbyaddingasmalldisturbancetothe originalimageorch