[01763950]基于对抗网络的图像分类系统V1.0

单标记图像分类的目标是将预先定义的标记集合中的某一个标记赋予一幅图像。使用卷积神经网络进行单标记图像分类可以获得良好的效果。在ImageNet图像数据集(1000类分类)中，利用卷积神经网络进行分类可使错误率低于5％。然而，现实世界的图像通常包含多个语义概念，不是单个语义标记能够完全描述的。于是，为图像赋予一个标记子集成为很自然的处理方式，这就是多标记图像分类的学习框架，其目标是将多个标记构成标记子集赋予一幅图像。 该系统提出了一种改进的卷积神经网络模型，可以对输入的任意一副或多副不同大小的图像进行分类，输出图片对应的多标记分类结果。首先使用迁移学习来解决多标记训练数据缺乏的问题，使得图片分类具有较高的精度。并使用空间金字塔池化层来解决多标记数据中物体尺度不同的问题，使得模型能够对不同尺度的特征进行提取，最后，训练对抗网络来解决图像遮挡的问题，使得模型对带有遮挡的目标也具有较好的识别效果。在多标签图像数据集Pascal V℃2012和Corel5k上的实验结果证明了该文的方法的有效性和鲁棒性。 该系统结合基于深度学习的方法，通过空间金字塔池化以及对抗网络使得卷积神经网络对图片的多角度特征以及遮挡特征进行提取，并通过迁移学习的方法提升模型的精度。通过实验结果论证了本应用提出的算法的有效性。