深度学习在图像识别中的应用与算法研究

发布时间：2019-12-02 22:47

【摘要】：近年来,深度学习已成为了图像识别领域的研究热点。在传统图像识别的方法中,通过人工经验提取输入数据的特征是图像预处理的关键,这种方式在调节参数方面费时费力。深度学习是模拟人类视觉系统与人脑认知环节,通过结构化的提取数据特征,最终获取图像深层信息的过程。整个训练过程无需人工参与就能得到很好的图像识别效果。本文主要研究深度学习在图像识别领域的应用,对深度学习高精度收敛和构造合理结构的问题进行深入研究,依次提出附加动量-自适应学习速率法和构造理想模型结构的方案。具体工作如下:1.针对深度学习模型在训练阶段会出现目标代价函数陷入局部最小值、收敛速度慢和模型过拟合等问题,本文提出了附加动量-自适应学习速率法的改进方案,并分析了相关参数对学习过程的影响。在堆叠去噪自动编码器上利用MNIST数据集进行实验,结果表明改进的算法方案提高了图像识别的准确率,同时缩短了训练时间,验证了本文提出的优化算法在图像识别方面的可行性和有效性。2.深度学习结构的设计需要设计者的经验和多次实验确定,缺乏合理的理论依据。本文提出四种方法来确定深度学习模型的合理结构:基于权阈参数变量分析法、基于黄金分割原理法、基于网络节点敏感度的结构确定法以及基于卷积金字塔模型结构方法。实验分析表明四种方案在识别图像准确率和训练时间方面都有很好的效果,其中基于网络节点敏感度的结构确定方法相对其它方法效果更优,可以为深度学习在图像识别应用中选取合理结构提供理论依据。
【图文】：

监督训练,阶段

第二章深度学习相关理论知识逡逑ＪＳＬ邋９逦输出层逡逑图２－１多层深度学习网络逡逑如图２－２所示，监督学习［３４］依赖带标签样例的训练样本，每一个样例由一个逡逑输入信号以及相应目标组成。通过最小化代价函数来实现特定的输入与输出的映逡逑射。监督学习需要输入数据相对应的目标值，实际上我们发现收集带标号的样例逡逑是费时而昂贵的，在处理大规模学习问题上尤其如此。对于无监督的学习可以是逡逑无标签的数据或有标签的数据，学习过程依赖网络在自组织方式下学习所需要的逡逑对表示质量的“任务独立度量”，通常无标签的数据是很充分的，因此针对无监逡逑督与有监督这两种学习得出半监督学习。深度学习是采用半监督学习，，在第一阶逡逑段对无标签的数据进行无监督学习，第二阶段对有标签的数据进行监督学习。逡逑馨邋＿逦｜输入数据的标签值逡逑ｗ邋ｗ邋0Ｃ．逡逑图２－２监督训练阶段逡逑２．１．３深度学习分类算法逡逑深度学习在完成无监督的预训练和有监督的微调阶段后

监督学习,带标签,学习网络,训练样本

ＪＳＬ邋９逦输出层逡逑图２－１多层深度学习网络逡逑如图２－２所示，监督学习［３４］依赖带标签样例的训练样本，每一个样例由一个逡逑输入信号以及相应目标组成。通过最小化代价函数来实现特定的输入与输出的映逡逑射。监督学习需要输入数据相对应的目标值，实际上我们发现收集带标号的样例逡逑是费时而昂贵的，在处理大规模学习问题上尤其如此。对于无监督的学习可以是逡逑无标签的数据或有标签的数据，学习过程依赖网络在自组织方式下学习所需要的逡逑对表示质量的“任务独立度量”，通常无标签的数据是很充分的，因此针对无监逡逑督与有监督这两种学习得出半监督学习。深度学习是采用半监督学习，在第一阶逡逑段对无标签的数据进行无监督学习，第二阶段对有标签的数据进行监督学习。逡逑馨邋＿逦｜输入数据的标签值逡逑ｗ邋ｗ邋0Ｃ．逡逑图２－２监督训练阶段逡逑２．１．３深度学习分类算法逡逑深度学习在完成无监督的预训练和有监督的微调阶段后，要在模型的最后逡逑一层加入分类器
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP181

【参考文献】