基于卷积残差深度神经网络的社交媒体灾害图像分类研究

姚雨沁

2025届 应用统计专业

中文摘要：近年来，全球频发的极端灾害对人类生命财产造成了重大损失。随着互联网和移动智能设备的普及，社交媒体平台(如微博和Facebook)已成为用户实时分享信息的重要工具，尤其在灾害期间，社交媒体平台凭借信息量大、更新快的优势，成为关键的灾害信息来源。然而现在大量的研究基于灾害类型的单层次分类，没有将灾害分类与灾害应急任务，人道主义救援有机结合起来。在分类模型中，也很少考虑到灾害图像本身的特点，影响了分类精度。

为了解决上述问题，本文提出多层次灾害图像分类框架，构建灾害图像类型和人道主义救援图像类型的多层级分类，使得分类更为细致以提供更为详细的灾害信息。在图像分类任务中，同时构建了基于卷积残差深度神经网络的分类模型。首先提取图像中颜色分布，局部二值模式和图像矩三个一维特征，以及图像边缘特征和局部特征两个二维特征。其次，采用BP神经网络，卷积神经网络和残差神经网络分别对一维特征和二维特征进行训练学习。最后，拼接上述所有神经网络的SoftMax层，连入到多层感知机中实现分类。

实验结果表明，在引入多特征融合之后的分类模型，比已有的一些分类模型，例如VGG19，YOLOv5等，分类结果上有显著的提升。其分类准确率比已有的5个对比模型要高出约10%-20%。分类模型准确率的收敛曲线结果表明本文构建的分类模型具有很好的泛化能力。

关键词：社交媒体，灾害图像，多层次图像分类，多特征融合，卷积残差神经网络