卷积神经网络图像分类应用研究

发布时间：2018-05-02 06:20

  本文选题：深度学习 + 卷积神经网络　； 参考：《深圳大学》2017年硕士论文

【摘要】：随着深度学习在计算机视觉和模式识别领域的快速发展,与之相关的人工智能技术取得了很大的进步。其中,卷积神经网络作为深度学习算法中的一种,具有结构简单,适应性强,训练参数少等特点,近年来被广泛应用在图像分类识别领域中。虽然这些基于卷积神经网络的模型及其变体持续不断的提高着图像分类识别的结果。但是,高性能的卷积神经网络往往具有很大的计算复杂度和内存消耗,人们很难将其投入到实时的应用和设备中。虽然现在文献中提出了很多用于减少网络复杂度和优化网络模型速度的方法。但是网络配置中大量的参数与网络复杂度及性能之间的关系并没有被完全探究和分析出来,本文的主要工作是平衡网络复杂度和性能两方面的因素,配置一个合适的网络,使其能够符合应用平台的需求。本文首先设计一个卷积神经网络作为我们的基准网络,然后找出几个影响网络计算复杂度的重要参数,如卷积层的层数,滤波器的大小,输入图像的分辨率等作为影响网络复杂度的控制参数,网络的复杂度可以通过不断的减少这些控制参数来降低。本文通过大量的实验,用这些配置不同的网络训练出不同的模型,并记录下它们的性能和耗时。然后,本文建立一个数学分析式去归纳出卷积神经网络运算复杂度和分类精度之间的内在联系。通过获取了有效的分析式,来执行C-P的优化工作,即在特定目标精度的下使网络的复杂度最小,或是在既定的复杂度下得到精度最大的模型。本文在两个数据集CIFAR-10和LFW上的实验结果验证了方法的可行性,其中在人脸数据集LFW的实验中,通过本文的方法调整网络配置,得到的最优模型相比于基准网络训练出来的模型复杂度下降近了20倍,而精度只下降了2%。为了说明所选择的最优模型的实用性,本文搭建了一个人脸性别识别实时系统并展示了模型在系统中的识别效果。
[Abstract]:This paper designs a convolution neural network as one of the deep learning algorithms , which has the characteristics of simple structure , strong adaptability , few training parameters and so on .

【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;TP183

【相似文献】

相关期刊论文 前10条

1 陈戏墨,徐红兵,李志铭,谢铉洋,李曦,李扬彬;数据挖掘在医学图像分类中的应用[J];现代计算机(专业版);2005年01期

2 冀翠萍;孟祥增;;基于内容的图像分类体系[J];电脑知识与技术(学术交流);2007年07期

3 杨杰;陈晓云;;图像分类方法比较研究[J];微计算机应用;2007年06期

4 杨文潮;姜志坚;;图像分类技术研究[J];福建电脑;2008年08期

5 葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;;一种基于相容信息粒原理的图像分类方法[J];广西师范大学学报(自然科学版);2008年03期

6 王军;王员云;;粒计算及其在图像分类中的应用研究[J];计算机工程与科学;2009年03期

7 吴军;王士同;;基于正负模糊规则的相结合的图像分类[J];计算机应用;2011年01期

8 吴军;王士同;赵鑫;;正负模糊规则系统、极限学习机与图像分类[J];中国图象图形学报;2011年08期

9 郝永宽;王威;聂维同;王德强;;图像分类与聚类分析[J];数字技术与应用;2011年12期

10 蒋玲芳;张伟;司梦;;基于词袋模型的电子报图像分类方法研究[J];信阳师范学院学报(自然科学版);2013年01期

相关会议论文 前10条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 王海峰;管亮;;基于颜色特征的图像分类技术在油品分析中的应用[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

4 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

5 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

6 李博;韩萍;;基于压缩感知和SVM的极化SAR图像分类[A];第二十七届中国（天津）2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年

7 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

8 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

9 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

相关博士学位论文 前10条

1 胡尧;基于低秩矩阵估计的机器学习算法分析[D];浙江大学;2015年

2 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

3 陈博;基于集成学习和特征选择的极化SAR地物分类[D];西安电子科技大学;2015年

4 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

5 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年

6 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

7 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

8 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

9 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

10 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 张明静;基于改进遗传算法的分块综合特征加权图像分类研究[D];华南理工大学;2015年

2 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年

3 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年

4 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年

5 钟畏丹;基于HSV和纹理特征的图像分类[D];华中师范大学;2015年

6 焦阳;基于主动学习的多标签图像分类方法研究[D];苏州大学;2015年

7 王腾川;基于主动学习的SAR图像分类方法研究[D];上海交通大学;2015年

8 NGUYEN QUANG KHANH;基于极化SAR目标信息提取与SVM分类[D];哈尔滨工业大学;2015年

9 王朔琛;基于半监督支持向量机的图像分类方法研究[D];陕西师范大学;2015年

10 杨东坡;基于深度学习的商品图像分类[D];大连交通大学;2015年

，

本文编号：1832707