一种基于CNN的散射变换的旋转方法_纪世雨.pdf
《一种基于CNN的散射变换的旋转方法_纪世雨.pdf》由会员分享,可在线阅读,更多相关《一种基于CNN的散射变换的旋转方法_纪世雨.pdf(4页珍藏版)》请在咨信网上搜索。
1、 ,基金项目微型电脑应用 年第 卷第期基金项目:全国教育科学国防军事教育学科“十二五”规划教育部重点课题()作者简介:纪世雨(),男,本科,工程师,研究方向为军事高技术应用与管理、信息工程;龙静(),女,本科,助理会计师,研究方向为军队财务管理。文章编号:()一种基于 的散射变换的旋转方法纪世雨,龙静(解放军总医院第五医学中心,北京 )摘要:深卷积神经网络的精度与输入的数据有关,当输入的数据为非正常角度数据时,相关网络的处理精度较低。因此,为了提高处理精确度,提出了一种对输入旋转不变的卷积神经网络。该网络主要基于散射变换中存在的旋转变换特性和一系列的三维卷积。这种结构能够在无角度标注数据的情况
2、下预测角度。此外,预测器可以将输入的随机旋转连续映射到预测的圆形空间。在实验中,利用垂直角度和随机旋转角度的样本对训练结果进行了验证。结果表明该网络具有较好的精确度。关键词:卷积神经网络;图像分类;图像旋转;小波散射中图分类号:文献标志码:,(,):,:;引言深度学习已经成为解决图像类问题的最先进的方法,基于深度学习,人们可以对图像进行分类,找寻图像之间的关联,还可以通过深度学习对图像处理,预测事件发生的概率。在这些应用领域,虽然深度学习展现了令人印象深刻的准确性,但其结果也受到图像特性(如对称性和旋转)的严重影响。为了解决以上问题,本研究提出了一种基于散射变换的旋转不变神经网络结构。在定向小
3、波特征空间的基础上,利用小波变换呈现的旋转平移特性构建神经网络。此外,该网络能够连续地将输入的随机旋转映射到输出的圆形空间,并在这个圆形空间输出预测的角度。问题描述大多数卷积神经网络()都是为使用垂直方向进行训练和分类而设计的。如果旋转图像,它们的精度会大大降低。虽然有些数据图像是自然垂直的,如图中的人脸,但另一些则呈现随机的方向,如图 中 的 食 物跟 浮 游生物。图图像方向示意图为了解决旋转问题,目前大多数方法都是将旋转样本集成到训练数据集中,但仍然存在精度不高等问题。所以,本研究提出了一种基于小波散射的 网络,来解决这个问题。旋转平移特征空间小波散射网络计算出一种对变形稳定的平移协变图像
4、表示,并保留高频信息用于分类。该网络可提供第一层深卷积网络。在此使用散射变换得到一个定向小波特征空间,如图所示。这个空间中的平移与输入的旋转是协变的,如图()所示。,基金项目微型电脑应用 年第 卷第期图以字母 为例的散射变换的小波特征空间 散射小波利用文献 中描述的 小波的实部,可以将输入变换成定向小波特征空间,如图()所示。该变换输出一系列能量不同的小波样本,与输入中的边共线的角度包含更高的能量。例如,字母 特征空间将包含在角度 和 上具有更多能量,而在 上几乎没有能量的小波。此外,在定向小波特征空间中,角行程的距离与输入边缘之间的角的距离成正比。旋转变换定向小波特征空间的一个重要性质是输入
5、的旋转和特征空间上的平移之间的协方差。这个平移与角成正比。角阶跃可以通过将特征空间上的小波方向数()除以变换的正则范围()来计算。此变换的另一个特性是能够将两个图像边缘之间的角度距离映射到角度采样之间的线性距离。将样本设为字母,在笔划之间包含 和其他 的角度。因此可以观察到较大角度的角样本之间的线性距离为 步,较小角度的角样本之间的线性距离为步。对于输入图像的每次旋转,此线性距离保持不变。通过将这些数字乘以 ,可以恢复角距离。水平对齐的小波虽然具有定向小波空间是重要的,但是图像的扫描顺序代表了实现其旋转不变性和协方差的一个关键因素,因此小波角样本的扫描方向应与其所代表的方向相同。为了实现这一点
6、,本研究设计了一个自定义的密集权重层,该层对特征空间样本进行重新索引。这个致密层形成一个双线性的非旋转,利用前面步骤计算的定向小波值来补偿小波中的角度。这个自定义层的输出结果是一个水平方向的小波特征空间,如图()所示,它包含每个角度样本的未旋转版本,并且与水平扫描顺序正确匹配。图网络架构示意图卷积预测器架构由于旋转平移协方差,小波特征空间包含了输入以平移形式的所有可能旋转。为了得到所有的平移,本研究首先将周期性填充应用到定向小波特征空间。这种周期性填充的结果是具有包含所有可能的平移的形状(,)的增强小波特征空间,如图()所示。为了增强水平对齐的小波信息,办研究应用一个大小为(,)的最大池化层,
7、如图()所示。这将减少下一层所需的参数数量。这个步骤的输出是一个形状为(,)的张量。为了获得每一个平移的信息,预测器需要跨越扩展的小波特征空间。也就是说,将预测器应用于前 个小波方向,然后向前移动一步。利用这种方法,可以得到 个不同形状的小波特征空间(,)。每个空间都包含一个特征空间的平移。预测器的第一阶段包括个三维卷积,每个卷积具有核大小(,)和 个滤波器,如图()所示。这些卷积捕获了小波方向之间的潜在特征。这些特征之一就是它们之间的距离。这个预测器应用于包含转换的每个空格。作为一个跨越它们的共享权重预测因子的重要性在于学习对应于右上角位置的转换特征。这种垂直位置的平移可以出现在 ,基金项目
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 基于 CNN 散射 变换 旋转 方法 纪世雨
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。