基于ResNet模型的图像分类方法及应用研究

发布时间：2021-03-15 22:10

　　卷积神经网络（Convolution Neural Network,CNN）是一种具有卷积结构的深层前馈神经网络模型,不仅具有高容错性还具有高效的计算能力。当前,CNN已被大规模地应用于图像分类等重要领域。与传统的图像分类方法相比,基于CNN的图像分类方法不需经过特征提取,可直接向CNN模型输入图像,并完成图像的分类。CNN的图像分类性能与其网络深度存在着重要的关系。网络越深,CNN的拟合能力就越强;但进一步增加CNN的深度不但不能提高网络的精准度,反而会产生更高的训练误差,使CNN的图像分类性能降低。为解决上述问题,本文主要的研究工作如下:（1）本文首先引入残差网络（Residual Networks,ResNet）模型,然后基于ResNet模型,使用具有稀疏性的ReLU激活函数,最后研究不同深度的ResNet模型的图像分类性能。实验结果表明,对于CIFAR-10、CIFAR-100与Fashion-MNIST数据集,ResNet模型的分类错误率大致上随着ResNet模型深度的增加而减小。ResNet模型对CIFAR-100数据集的分类错误率明显大于对CIFAR-10与Fashion... 

【文章来源】：华东交通大学江西省

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

神经元模型

有多个输入的神经元模型

卷积神经网络模型

【参考文献】：
期刊论文
[1]基于姿态对齐的行人重识别方法（英文）[J]. 王金,刘洁,高常鑫,桑农.  控制理论与应用. 2017(06)
[2]基于增强聚合通道特征的实时行人重识别[J]. 黄新宇,许娇龙,郭纲,郑二功.  激光与光电子学进展. 2017(09)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)

硕士论文
[1]多视图行人重识别算法研究与数据采集[D]. 杜久伦.山东大学 2017



本文编号：3084896