基于XGBoost-CNN模型的图片识别分析

发布时间：2020-07-31 12:36

【摘要】：卷积神经网络模型,简称CNN,是经典的深度学习模型,在图片识别领域取得了显著的成就。图像数据与其他数据不同,很难通过人为理解进行特征提取。而CNN通过卷积层和池化层的设计,能够直接从输入数据中进行学习,不仅避免了数据预处理,还能用到空间结构信息减少参数量,提高训练效率。因此CNN能在图片识别领域广泛应用。但CNN模型也存在结构复杂、计算量大、训练成本高、训练时间长等不足之处。其中CNN模型的参数众多,调参过程复杂又耗时。在实际应用中,训练一个准确率很高的CNN模型需要花费很多时间和精力。但是,训练一个准确率比随机猜测好一些的CNN模型就容易得多。由Boosting算法可知,弱分类器不断从错误中学习,通过迭代来降低犯错概率,那么多个弱分类器就可以组合成为一个强分类器。因此本文的主要思想就是基于Boosting算法,组合多个弱CNN模型以实现比较高的准确率。Boosting算法众多,其中XGBoost是极限梯度提升算法,对损失函数进行二阶泰勒近似,训练速度快。因此本文基于XGBoost算法改进CNN模型,提出XGBoost-CNN模型。具体地,以CNN模型作为XGBoost算法的基分类器,然后探究其在图片识别上的分类效果。本文对肝癌图片数据集进行识别分析,为了提高训练效率还用到了多线程并行、二进制文件存储、数据增强、迁移学习等改进方法。研究发现,XGBoost-CNN模型在肝癌图片测试集的准确率达86%,而且与随机森林、XGBoost相比也具有明显的优势。因此,XGBoost-CNN模型可以有效地应用于图片识别问题。
【学位授予单位】：厦门大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：C81
【图文】：

神经元结构

点之间连接权重，实现信息处理。神经网络的发展跌宕起伏，从最初的模型到ＢＰ神经网络，再到近年来兴起的深度学习，它一直在曲折中前进要介绍神经网络的基本概念、ＢＰ神经网络、ＣＮＮ模型和Ｇｏｏｇｌｅ邋Ｉｎｃｅｐｔｉｏｎ型。逡逑神经网络的基本概念逡逑．１神经元逡逑人工神经元是神经网络的基本单位，其基本要素包括突触、求和单元和。（有的时候为了简便起见，把求和单元和激活函数画在同一个节点上）图２－１。逡逑

函数,双曲正切函数

常用的函数是双曲正切函数，它是Ｓｉｇｍｏｉｄ函数的变形，区间，有时会产生更好的实际利益。表达式为：逡逑／00邋＝邋－价丨＝＆逦／逦ｆ（ｘ）邋５逦／逡逑１邋」逦邋0１邋’－１０逦－５逦０逦５逦１０逦－１０逦－５逦０逦５ｘ逦ｘ逡逑图２－３双曲正切函数（左）和ＲｅＬＵ函数（右）逡逑

正切函数,函数,连续区间,双曲正切函数

ｉｆ邋：逦ａ邋ｖａｌｕｅ逡逑！；逦一邋ａ＝０邋５逡逑ｆ（Ｘ）邋°－５逦１逦－ａ＝１逡逑／ｉ一逡逑ｊ逡逑－１０逦－５逦０逦５逦１０逡逑Ｘ逡逑图邋２－２邋Ｓｉｇｍｏｉｄ邋函数逡逑另一种常用的函数是双曲正切函数，它是Ｓｉｇｍｏｉｄ函数的变形，其值域是－１逡逑到１的连续区间，有时会产生更好的实际利益。表达式为：逡逑／00邋＝邋－价丨＝＆逦（２．２）逡逑

【参考文献】