用CNN进行图像识别
再用LSTM文字处理,再结合DNN实现看图说话
涉及到的知识
- 数字图像处理
- 图像读取
- 图像缩放
- 图像数据维度变换
- 自然语言处理
- 文字清洗
- 文字嵌入
- CNN(卷积神经网络)
- 图像特征提取
- 迁移学习
- LSTM(递归神经网络)
- 文字串的特征提取
- DNN(深度神经网络)
- 从图像特征和文字串的特征预测下一个单词
目标
自动生成英文标题,与人类生成的标题越相似越好。衡量两个句子的相似度(BLEU)。一个句子与其他几个句子的相似度(Corpus BLEU)
- BLEU,全称为Bilingual Evaluation Understudy(双语评估替
换),是一个⽐比较候选⽂文本翻译与其他⼀一个或多个参考翻译的评价 分数
VGG16网络模型
- 使用keras创建VGG16定义的cnn网络结构
- VGG16⽤用于图像分类, 将输⼊入图像分为1000个类别
实现网络
- 根据论文中给的网络结构,我们选择绿色框内的结构,分为16个权值层,5个池化层,共21层结构
- 卷积层的输出可以作为池化层(pool)的输入,但卷积层和池化层的输出 不能当作全连接层(Dense,FC)的输入,之间必须加一个Flatten层
from keras.models import Sequential
from keras.layers import Dense, Flatten
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
def generate_vgg16():
"""
搭建VGG16网络结构
:return: VGG16网络
此网络没有分支,所以使用Sequential(输入为列表)线性结构
输入层:
224x224,3个通道的RGB图像
卷积层:
padding = 'same':卷积层的输入和输出的矩阵长宽不变,深度会变
activation = 'relu':设置激活函数为relu
maxpool 最大池化层:
pool_size = (2,2):每次池化把2x2的点输出做一个点
stride = (2,2):步长
Flatten:
卷积层的输出可以作为池化层的输入,
但卷积层和池化层的输出不能当作全连接层的输入,之间必须加一个Flatten层
Dense:
指定节点数量和激活函数
activation = 'relu':设置激活函数为relu
"""
input_shape = (224, 224, 3)
model = Sequential([
Conv2D(64, (3, 3), input_shape=input_shape, padding='same', activation='relu'),
#64个大小为3x3滤波器
Conv2D(64, (3, 3), padding='same', activation='relu'),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(128, (3, 3), padding='same', activation='relu'),
Conv2D(128, (3, 3), padding='same', activation='relu'),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(256, (3, 3), padding='same', activation='relu'),
Conv2D(256, (3, 3), padding='same', activation='relu'),
Conv2D(256, (3, 3), padding='same', activation='relu'),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(512, (3, 3), padding='same', activation='relu'),
Conv2D(512, (3, 3), padding='same', activation='relu'),
Conv2D(512, (3, 3), padding='same', activation='relu'),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(512, (3, 3), padding='same', activation='relu'),
Conv2D(512, (3, 3), padding='same', activation='relu'),
Conv2D(512, (3, 3), padding='same', activation='relu'),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Flatten(),
Dense(4096, activation='relu'),
Dense(4096, activation='relu'),
Dense(1000, activation='softmax')
#分类问题,所以最后一个全连接层的输出的激活函数为softmax
])
return model
if __name__ == '__main__':
model = generate_vgg16()
model.summary()
运行可见输出
有运行结果可见,池化层是没有训练权值的,而卷积层因为共享权值,因此要训练的权值数也比较少,而全连接层需要训练的权值数就比较多。
图像特征提取
数据集
链接:https://pan.baidu.com/s/1DiCqRNU4kL8bB9izcp2wBQ
提取码:7qwq
- 8000 图像, 每幅图5个标题, 描述图像⾥里里⾯面的事物和事件
- 不包含著名⼈人物和地点
- 分为3个集合: 6000个训练图像, 1000个开发图像, 1000个测试图像
数据示例
理想网络模型
简化网络模型
迁移学习(transfer learning)
- VGG16 CNN 原本的⽬目标是分类, 基于ImageNet数据集进⾏训练
训练所需的时间⽐比较⼤,需要4个GPU训练3个星期左右 - 我们可以调整VGG16的⽹网络结构为图像标题⽣生成服务
- VGG16 的后⼀一层是将倒数第⼆二层4096维的输出转为1000维的
输出作为1000类别的分类概率 - 我们可以去除后⼀一层,将倒数第⼆二层的4096维的输出作为图像标 题⽣生成模型的图像特征
将flicker8k的图像文件转为图像特征,保存为字典pickle文件
- 从给定的VGG16网络结构文件和权值文件,创建VGG16网络。
- 修改网络结构(去除最后一层)。
- 利用修改的网络结构,提取flicker8k数据集中所有图像特征,使用字典存储,key为文件名(不带.jpg后缀),value为一个网络的输出。
- 将字典保存为features.pkl文件(使用pickle库)。
代码实现
from keras.models import model_from_json
from PIL import Image as pil_image
from keras import backend as K
import numpy as np
from pickle import dump
from os import listdir
from keras.models import Model
import keras
import re
from tqdm import tqdm
def load_vgg16_model():
"""从当前目录下面的 vgg16_exported.json 和 vgg16_exported.h5 两个文件中导入 VGG16 网络并返回创建的网络模型
# Returns
创建的网络模型 model
"""
json_file = open('vgg16_exported.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
model = model_from_json(loaded_model_json)
model.load_weights('vgg16_exported.h5')
return model
def preprocess_input(x):
"""预处理图像用于网络输入, 将图像由RGB格式转为BGR格式.
将图像的每一个图像通道减去其均值
# Arguments
x: numpy 数组, 4维.
data_format: Data format of the image array.
# Returns
Preprocessed Numpy array.
"""
x = x[..., ::-1]
mean = [103.939, 116.779, 123.68]
x[..., 0] -= mean[0]
x[..., 1] -= mean[1]
x[..., 2] -= mean[2]
return x
def load_img_as_np_array(path, target_size):
"""从给定文件加载图像,转换图像大小为给定target_size,返回32位浮点数numpy数组.
# Arguments
path: 图像文件路径
target_size: 元组(图像高度, 图像宽度).
# Returns
A PIL Image instance.
"""
img = pil_image.open(path)
img = img.resize(target_size, pil_image.NEAREST)
return np.asarray(img, dtype=K.floatx()) #转化为向量
def extract_features(directory):
"""提取给定文件夹中所有图像的特征, 将提取的特征保存在文件features.pkl中,
提取的特征保存在一个dict中, key为文件名(不带.jpg后缀), value为特征值[np.array]
Args:
directory: 包含jpg文件的文件夹
Returns:
None
"""
model = load_vgg16_model()
# 去除模型最后一层
model.layers.pop()
model = Model(inputs=model.inputs, outputs=model.layers[-1].output)
print('模型建立成功')
features = dict()
pbar = tqdm(total=len(listdir(directory)), desc="进度", ncols=100)
for fn in listdir(directory):
fn = directory + '/' + fn #返回长,宽,通道的三维向量
arr = load_img_as_np_array(fn, target_size=(224, 224))
#改变数组形态,增加一个维度(批处理输入的维度)
arr = arr.reshape((1, arr.shape[0], arr.shape[1], arr.shape[2]))
#预处理图像作为VGG模型输入
arr = preprocess_input(arr)
#计算特征
feature = model.predict(arr, verbose=0)
#去掉文件后缀
id = re.findall('Flicker8k_Dataset/(.*?).jpg', fn)[0]
features[id] = feature
pbar.update(1)
print('特征提取完成')
return features
if __name__ == '__main__':
directory = 'Flicker8k_Dataset'
features = extract_features(directory)
print('提取特征的文件个数:%d' % len(features))
print(keras.backend.image_data_format())
#保存特征到文件
dump(features, open('features.pkl', 'wb'))
最后的结果,特征提取完成