文摘
在这个快速发展的时代,国与国之间的交流正在迅速增加,从而导致整合多元文化主义及其对当地文化的影响,使其稀释。采取的造型艺术特点在北方草原游牧文明作为一个例子,游牧文明的造型艺术特征非常丰富,包括颜色、纹理、形状、和地方特色;使用传统方法将导致可怜的特性影响,,很难获得高级信息。还会有图像识别的问题。与热深度学习的发展,针对这些问题,介绍了其优势和特点,并应用于造型艺术的特点,构造和深和浅网络作为输入和特性识别,解决了图像特征识别的问题。同时,介绍了卷积的想法扩大其功能,更有利于特性识别、提取和分析。深度学习的神经网络模型,传统的优化算法是亚当的优化算法,解决了精度降低的问题,提高了预测的准确性,并使它更稳定。从最终的实验结果,不难发现功能算法大大提高了准确率在不同噪音,和时间消耗也减少了算法的操作。深厚的传统算法学习神经网络模型是亚当的优化算法,也提高了预测精度和使它更稳定。未来发展,可以使用不饱和函数作为激活函数优化或改变模型特征算法简化模型建立和有更好的培训效果。
1。介绍
在互联网的环境,有热发展基于深度学习和神经网络1- - - - - -5),使其渗透各个领域(6- - - - - -10]。因为它有许多优秀的特性,如一个巨大的数据库支持,它可以通过分层技术和功能抽象,它能模仿人类知识的分布式表示数据。这些优势利用在识别、提取和分析的图像特征。特别是,北方草原游牧文明(11- - - - - -15),其造型艺术是非常丰富的,包括颜色、纹理、形状、和地方特性,和深度学习可以取代传统方法构建深和浅网络作为输入和特性识别,解决了图像特征识别的问题。同时,介绍了卷积的想法扩大其功能,更有利于特性识别、提取和分析。摘要特征算法和传统优化算法改变了亚当优化算法,提高了算法的精度和降低了算法的计算时间。与此同时,它还解决了问题,模型的精度减少特征提取的过程中,提高了预测精度,使其更加稳定。
2。深度学习的造型艺术特点的概述
与各种民族文化的深入研究,特别关注少数民族,包括北方草原游牧民族,和造型艺术的特征进行了分析。热深度学习的发展,其特点是集成到特征提取和分析。为了解决图像识别的问题,深和浅网络输入和特征识别处理结构生成。同时,介绍了卷积的深度学习放大颜色,纹理,形状,和地方特色的塑料部分北方游牧文明,这是方便机器识别、提取和分析。
2.1。卷积神经网络深度学习
深度学习的深入研究,其优势和特点正逐渐扩大,使其渗透到越来越多的领域。其中,特征提取,基于深度学习的方法,提取的造型艺术特点用于检索通过卷积的概念。有三种方法:一种是混合的方法,也就是说,在CNN网络在图像区域从输入层网络的输入,然后,CNN网络上进行特征提取;第二个是生成方法,其结构可以描述的顶级相关特征网络输入数据;第三是区别的方法,该方法可以执行分类、歧视,和加强。
深层网络依赖大数据来让他们的学习和抽象非常优越。通过分层技术学习和功能抽象,初始输入转化为抽象的表示特性(16),使更好的识别和分类的图像功能,因为它能模仿人类知识的分布式表示数据,然后从主要功能实现高层次的抽象特性。此外,深层网络的每一层的功能输出降维处理函数来实现非线性特性。乙状结肠( )本文函数作为激活函数模型的优点是连续和光滑。本文对隐层神经元的输出,一个实数,可以加工到最后(0,1)区间。它的功能定义
范围(0,1),函数的导数
功能特点如下:当 或-10, ;当 , 。
其中,有趣的是,为了解决图像特征识别的问题,浅和深提出了网络输入和特征识别结构先后[17),如图1和2。
通过比较这两个的结构图,可以看出输入和处理机制的浅层和深层网络明显不同,而肤浅的网络的正常运行需要手动特征提取。深层网络逐步完成重建图像特征没有人工提取的特征。
介绍转置卷积的概念,改变矩阵和向量乘法关系,并将输入特征向量分解的特性与卷积核形成原始矩阵的换位。通过这种方式,增加向量可以获得相关的特征向量。我们放大的功能。图3显示了up-acquisition置换卷积的过程。
2.2。在北方草原游牧文明的造型艺术特点
针对深度学习的前提下,传统的识别和提取的特点在北方草原游牧民族造型艺术改变了由于引入深度学习,也就是说,使用分层技术pretraining构建一个卷积神经网络和添加多个隐藏层来提高计算机的性能。和其他类型的终端设备用于识别并提取其特征,获取更多的信息,最后筛选获得通过循序渐进的抽象特征信息,从而减少各种环境和人类干扰。
其中,北方草原的游牧民族的塑料部件,包括民族建筑、民族服饰、壁画、装饰设计、独特的民族特征和书法,雕刻,等等,这些独特的艺术特性,与中原文化不同,需要更多的信息中提取。每个地区的不同特征应该分类和提取,以确保该功能可以完全提取信息。造型艺术的特点,分为以下几点:(1)颜色特征:北方草原游牧民族民主,就其衣服,餐具,建模作品等,都有极其丰富的颜色,有各种颜色混合和匹配。提取时,颜色,颜色直方图和颜色聚合向量,进一步分析这些特性是必需的
其中,塑料的颜色时刻艺术特征提取是描述颜色分布的计算,这是一个简单而有效的颜色特征表达方法。这种特征提取方法的优点是,它不需要量化图像面积内的彩色空间,和获得的特征向量具有较低的维度。缺点也明显;,这个特征提取方法的特征检索效率很低,所以它通常是用来过滤图像在实际应用中减少检索的范围。其提取过程如下:
其中,代表了 - - - - - -颜色的组成部分 - - - - - -th像素的形象,代表图像中的所有像素的数量。(2)纹理特征:纹理特征可以区分民族服装和工艺品装饰之间的差异,包括服装的颜色、粗糙度的面料,形状,条纹,颜色匹配和表面光滑的装饰品和工艺品。它的特点是计算一个值在图像和量化图像区域的灰度变化的特点。一般来说,有两种方法来表达纹理特点:一个是同现矩阵,用于描述图像的纹理特性的相对论灰色空间,另一个是局部二值模式(LBP) (18]。其中,局部二进制模式主要是通过比较得到图像纹理特征的大小LBP算子及其领域
空间灰度同现矩阵的纹理特性,它开始从像素的灰度 ,和统计距离是 灰度是像素,发生的概率 ,及其数学表达式的公式如下:
局部二进制模式的图像纹理特征描述算子的局部图像的纹理特征。现场也很广泛。其具体表达式过程如下:
其中, 代表中心像素的坐标,是第一个像素的字段,它代表了领域像素的灰度值;代表中心像素的灰度值;和代表符号函数,如下所示: (3)形状特征:对图像的形状特征,提取主要有两种方法:一是轮廓特征,(19)整体图像的轮廓提取边缘信息,,另一个是区域特性,提取的形状特征(4)地方特色:一般来说,全球用于检索功能。缺点是错误检测率高。因此,地方特色用于检索在此基础上提高精度
然而,造型艺术的特征提取之前,环境因素,比如国家服装变形、部分遮挡,皱纹的衣服,照明,和噪音,使需要特征提取的图片模糊,不均匀照明配电,失真,等等问题,这样受损功能信息,提取的特征是不完整的,等等。为了解决这个问题,有必要对图像进行预处理,以便可以恢复图像前处理尽可能多的拍摄环境,和完整的信息可以保留尽可能多。处理方法如下。
2.2.1。图像双边滤波处理
这种方法主要去除冗余噪声在图像(包括视频文件)同时确保图形文件不过于扭曲。根据实际情况,合理减少目标图像的白噪声区域,提高识别精度。
然而,高通滤波器处理在高维度,所以我们都需要引入双边放大电路将空间信息和像素值之间的相关程度。除了飞机范围,认为的影响五个中心像素边缘像素是大大减少,我们可以更好的保存屏幕像素值的边缘图像。
数学公式如下:
域内核的数学表达式
的公式,是高斯方差。
内核是范围的数学表达式
双边滤波权函数的数学表达式
2.2.2。图像均衡化处理
双边滤波后的目标图像将在一定程度上扭曲了。我们还需要执行直方图均衡化处理部分,然后非线性变化的目标图像灰度值更聚合。应该注意的是,原始图像的灰度值的顺序安排不能改变。
直方图均衡化的步骤如下:
步骤1。假设原始图像有一个总数灰色的水平,为代表 。
步骤2。符合条件的像素的数量计算,设置为灰度 ,及其数学表达式 的公式, 是像素的总数。
步骤3。计算概率分布函数:
步骤4。为输出图像,灰度级别 , ,和给定的数学表达式是 注意:显示最大灰度值。
2.2.3。图像光照干扰抑制处理方法
这种方法主要用于背光识别的过程中,当强光干扰light-taking取景器的光敏原始的过程。前处理的目标图像,3 d环境目标图像的对比提高照明通过非线性变换。当然,这并不是一个完美的处理方法。一个共同的缺点是目标图像太暗或太亮区域,不能承认由于光照条件的变化。
商图像理论是基于商图像算法和Retinex理论。目标图像与源图像通过分子和分母的关系。让源图像 和目标图像(商图像) 。它的数学表达式
公式中的分母集中于原始图像处理的光滑反馈电路,但过滤效果更加突出,加权高斯谐振器是用于各向异性功率放大获得弹性图像处理方法。
的公式,代表卷积操作,代表了过滤器。过滤器内核应该符合以下要求:
公式,域之外的结果是卷积内核,设置为归一化因子,然后,的价值是加权;是高斯函数。
有两个方面:和根据其阈值,左右两端的阈值。对于目标图像的阈值,如果大于它,将它分配给1;否则,将其分配给0;数学表达式如下:
通过这种方式,只能执行卷积操作区域灰度变化大,从而减少光环效应的影响在照明条件差的情况下。
2.3。识别和提取的造型艺术特点
塑料部件的北方游牧文明,图片和视频的重组是数字处理的三个主要步骤之一,这是均匀地分布图像分成许多子领域具有明显的特色和大差异,所以,双方不重叠。其中一个选项处理后上传到数据库和使用云计算来执行快速特征点匹配,理解,和其他操作。
2.3.1。图像特征提取的概述
图像识别的过程主要集中在两个步骤:一是提取并选择预处理图像的特性,另一个是分类的图像确定。其中主要是特征提取和选择以及分类器设计和分类决策(20.]。
完成图像的处理之后,电脑会识别和分析,然后利用特征提取和特征选择选择从众多的特性集形式或提取子集,然后使用分类器分类获得的子集。
步骤1。特征提取和选择。
什么起着主导作用的图像识别的成功率是图像特征点的选择在早期阶段。特征提取和选择的过程如图4在下面。在这个过程中,第一步是降低图像的维数来获得一个子集,可以反映数据结构的本质,这个子集有更高的识别率。数字化图像后,生成大量数据,而现在,只需要硬编码图像的像素值在空间域和压缩时间减少合成数据。(提供的算法演示这些部分a e)。结果对后续分类至关重要。
步骤2。分类器设计和分类决策。
分类器的成功或失败的关键是各种因素在当前环境下,如像素映射,视角,和照明,会影响分类器的设计。除了上面的形象因素,有分类类别,比如时差作为分类标准,根据不同的分类标准,如用户的爱好和人群类别。序言的预处理图像导入到分类器,然后,它的特征点选择,然后,一个分类决定,如图5,分析、评估和估计尽可能提高准确性。
分类的概念是学会一个分类函数或构造一个分类模型的基础上,现有数据。图像分类一般分为以下5个步骤:(1)使用torchvision加载和规范化CIFAR10的训练和测试数据集;(2)定义一个卷积神经网络;(3)定义一个损失函数;(4)在训练样本数据,训练网络;(5)测试的网络测试样本数据。
2.3.2。支持向量机(SVM)模型
支持向量机是一种高性能和强大的验证设置在机器学习,是图像识别中更为普遍。支持向量机的任务是提高目标图像中特征点的间隔的最大价值,并计算是基于以下数学表达式:
其次,它将改变了由大变小,数学表达式
在双边滤波算法,该表达式定义的域内核,即函数,选择重量根据电缆的距离图像。距离越近,越重。这是一样的盒滤波和高斯滤波。的基于像素的差异函数分配权重。如果两个像素值接近,即使他们相距远,像素和像素之间的差异接近彼此更大。这是什么函数并使边缘(分开)接近但不同。
在接下来的数学公式,代入拉格朗日因子得到最优解的代数公式 。
在哪里是样品的数量,然后,原问题转化为
nonunknown偏导数的原始公式,以其双重的数学表达式如下:
通过代数表达式来执行一个二次规划问题解决最优值。
支持向量机的任务之一是将收集到的数据目标图像样本从低维到高维通过类似于一个函数的一一对应,以完成目标图像的分割。变量的值,实现了变化过程和提供高质量的帮助被称为内核函数,的内积在笛卡儿坐标系统的对应关系。所谓函数是两个理想图像之间的数学关系。使用核函数的相关性质,一个复杂的核函数可以构造和尺寸可以增加。示范效果如图6。
我们知道,支持向量机可以从低维特征向量映射到高维,所以内核函数的实现过程经常有非线性核函数、多项式内核和高斯内核。下面列出的每个内核函数的计算公式是:
这个映射过程可以通过上面的内核函数实现的。
3所示。改进的特征算法和神经网络优化深度学习的函数
3.1。筛选功能算法改进
筛选功能的算法,它分为四个第四阶段:首先,为了考虑极端点的具体位置在目标图像,介绍了高斯特性数量方法。第二,图像是一个二维平面直角坐标系中,获得的具体坐标点目标图像中得到证实,均和低对比度关键点的边缘被作为参考点。第三,分配主要特征点的方向向量。第四,用欧氏距离来计算特征向量的相似性。
3.1.1。构建图像金字塔
图像金字塔分为组,每组层,各层之间的关系是定义为一个进步的关系:上层与底层取样。每个像素的狗将在固定的社区和极端值域的上下两层。狗的特征点在图像数据所示7和8(21]。
3.1.2。双位置匹配准则
为了减少特征提取造成的误差条件下的传统算法,我们引入了双位置匹配准则。具体方法如下:首先,比率相邻图像块的相邻图像块作为粗匹配的价值,和的值设置为1.0。粗略的匹配完成后,图像块值排名根据相似性。根据匹配的显示结果,决定是否继续比赛。由于样品对应点高相关性被用作各种标准的通用方法,本文将阐述双匹配准则在三维映射到2 d 2 d水平。
在图9点都是 参考匹配点在目标特征点集和原始特征点集,分别两两对应。为 和 ,下面的数学关系满意之间的直线和直线 :
顺序:
从计算可以看出,两条直线的交点的坐标
由于点的位置是相对的,下列方程是:
根据点的位置相对于三角形 ,的坐标计算,然后,坐标之间的误差 , ,和可以获得的22]。
如果双坐标的错误点都是小于给定的阈值,匹配是合理的。double-matching位置则可以避免图像中的点的问题往往是在一条直线通过传统的算法和带来很大误差。
3.2。亚当优化算法
深度学习的神经网络,亚当是一个一阶优化算法,可以解决随机梯度下降的问题(23];而不是传统的方法,它是基于神经网络权值的训练数据迭代更新。该算法估计第一和第二的时刻每个参数的梯度从最后一个函数24),并计算指数移动平均线。条件下,增大和减少特性保持不变,高噪音和梯度稀释的问题迭代过程中解决,这个公式表示如下:
在上面的公式中,在参数空间的迭代过程,代表的迭代次数,代表第一个特征参数,代表的距离沿梯度下降法的价值 ,和和是偏差修正的指数衰减意味着权力和二次历史梯度,分别为(25]。
4所示。实验仿真
为了保证算法的兼容性,大量数据用于实验验证。实验对象如下:成功的数量匹配点,匹配的准确率,匹配的时间消耗。算法改进前后的优点往往通过上述比较的角度。根据以上四个因素,总结后,进行了实验比较的准确性和时间。最后,本文的改进优势是通过真实的案例造型艺术相比北方游牧文明的特征提取。
4.1。LLE-SIFT特性实验仿真算法对高斯白噪声相关性差异
这部分实验主要比较不同算法的性能在不同的高斯白噪声。我们探索实验结果的比较10、20、40、80。比较智能图像识别算法的终端表所示1。从表1和2可以看出,高斯白噪声,对算法的影响越大,和三个相对较低的成功率,但三国,LLE-SIFT仍保持高绩效在不同的高斯白噪声。成功率和匹配时间也是最低的。比较三种算法在噪声的变化条件下的数据所示10和11(NMK:匹配对数;NCMK:匹配成功的对数;RCM:正确匹配率; :匹配时间。)
4.2。实验亚当优化算法的性能比较
根据亚当的引入优化算法在本文提出的神经网络电流的作为一个例子,亚当优化算法评估通过比较平均绝对误差和平均误差平方的两个模型SGD-GUR和Adam-GUR在多个不同的数据集。性能的实验数据如表所示3和4图所示,实验比较数据12和13。
美是平均绝对误差,均方根误差均方根误差。从实验获得的数据表3可以看到,它的平均绝对误差SGD-GUR模型在三个数据集是0.0089,0.0081和0.0401。平均值是0.0190,而Adam-GUR的平均绝对偏差模型的三个数据集是0.0033,0.0081,和0.0817;平均值为0.031;和获得的实验数据如表所示4。SGD-GUR模型可以看出,这三个数据集的均方根误差是0.0657,0.0619,和0.1274,平均为0.085。Adam-GUR模型的均方根误差的三个数据集是0.0132,0.0126,0.0358和0.0817,它的意思是。后数据的可视化表示12和13,它可以清楚地发现,不同的数据集将会影响训练模型的不同程度。使用亚当GUR模型优化算法解决了精度下降的问题,提高了预测精度,使其更加稳定。
4.3。特征提取造型艺术的例子在北方草原游牧文明的
选择实验图像,旋转和缩放到一定程度,如图14和15。LLE-SIFT的特征点提取算法,实验数据表如表所示5图所示,实验比较数据16和17。
另外两个比较算法,筛选和PCA-SIFT相比,本文的改进算法。从实验获得的数据表3可以看出,LLE-SIFT特性算法性能优于其他两种算法;比较三种算法在不同图像的方向变化数据所示16和17。虽然图像进行操作,比如旋转,缩放,和不含低对比度图像边缘的影响,LLE-SIFT特征匹配算法仍能保持高的成功率。
本文中的三个比较实验的目的是演示的优点在上述条件下LLE-SIFT算法在处理图像。不难发现,在三个算法,匹配精度和时间消耗比其他两种算法。在实验中,我们没有一个固定的匹配的对数,基于计算机的计算能力和无关算法的优缺点。
5。结论
回顾前言,论述了造型艺术的表现北方草原游牧文明的基于算法的性能水平的深度学习和测试下仿真实验,证明性能优良。正是因为深度学习的优势和特征应用于造型艺术,深和浅构造网络的输入和特征识别,解决了图像特征识别的问题。同时,介绍了卷积的想法使其功能扩大,哪个更有利于特性识别、提取和分析。在本文仿真实验,实验结果表明,本文改进的功能算法和深度学习神经网络优化算法具有良好的性能,但由于双曲正切乙状结肠函数所使用的模型作为激活函数会使神经网络,网络层上的梯度衰变使模型很难建立和培训。这些都是我们需要注意的问题。在未来的发展道路,对于确保模型的翻译效果,nonsaturating激活功能,如线性整流函数（Rectified Linear Unit）函数,可以用来代替原始的预防网络体系结构的衰减,进一步缩短训练时间的模型,使模型更易于构建和训练。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称,关于这项工作他们没有利益冲突。