基于贝叶斯优化神经网络的物体形状分类
针对传统物体形状分类算法中图像的空间结构特征表示不够准确,以及分类器模型参数易陷入局部最优的问题,提出结合重叠金字塔与贝叶斯优化神经网络的物体形状分类方法.首先,将物体轮廓分割为不同长度的轮廓片段作为形状的基本特征,并用局部线性编码器对其编码;然后,使用提出的空间重叠金字塔模型,将图像表示为空间金字塔直方图向量;最后,使用贝叶斯优化的前馈神经网络分类器对得到的图像表达进行分类.在常用的Animal标准图像库上实验证明,本文方法可以完整记录形状的内容和结构信息,与轮廓片段包算法相比,准确度提高了1.4%.
图像处理、形状分类、贝叶斯优化、重叠金字塔、前馈神经网络
55
TP391(计算技术、计算机技术)
江南大学自主科研基金1252050205170640
2018-09-28(万方平台首次上网日期,不代表论文的发表时间)
共6页
173-178