基于卷积神经网络的犬种识别系统的设计与实现
发布时间：2023-02-12 13:22
近年来,计算力与数据量的增长推动了深度学习算法与模型的飞速发展,卷积神经网络作为深度学习在计算机视觉领域的基石,在图像分类、目标检测、图像语义分割等细分领域取得了一系列突破性的研究成果,其强大的特征学习能力和分类能力引起了广泛关注。一些研究者将卷积神经网络应用到犬种识别问题上,期望改善传统犬种识别方法在成本、技术难度、准确度与泛化性方面的不足,但由于训练策略、训练方法与模型选择等方面仍有缺陷,现有方法的资源消耗与识别准确度距离工程应用尚有一定距离。论文中结合了现有的犬种识别研究,针对研究中的问题进行改进,使用改进后的多网络融合模型实现面向各终端用户的犬种识别系统。主要工作如下:(1)基于卷积神经网络,设计与实现了对120种常见犬类的、准确度不低于80%的、平均响应时间小于1s的犬种识别系统,是较为成熟的卷积神经网络应用。与其他使用卷积神经网络的犬种识别系统相比,本系统通过进行模型筛选与融合提高了识别的准确度,同时通过应用迁移学习等的方法重用已有的模型和通用特征,大幅度降低了实现算法的时间成本、数据资源开销与硬件资源开销,满足了工程应用的实际条件;(2)系统的后端负责运行识别算法,需要进...
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外犬种识别研究现状
1.2.1 基于传统图像分类方法的犬种识别研究
1.2.2 基于卷积神经网络的犬种识别研究
1.3 论文主要工作
1.3.1 犬种识别算法设计与实现
1.3.2 犬种识别系统的设计与实现
1.4 论文组织结构
第二章 相关技术介绍
2.1 卷积神经网络的研究历史
2.2 卷积神经网络的基本网络结构
2.2.1 卷积层
2.2.2 池化层
2.2.3 激活层
2.2.4 全连接层
2.3 文中使用的卷积神经网络模型
2.3.1 AlexNet
2.3.2 VGGNet
2.3.3 Inceptionv3
2.3.4 ResNet
2.3.5 DenseNet
2.3.6 SqueezeNet
2.4 深度学习框架
2.4.1 深度学习框架工作原理
2.4.2 MXNet深度学习框架
2.5 本章小结
第三章 系统需求与概要设计
3.1 系统需求
3.2 环境需求
3.3 系统架构设计
3.3.1 系统架构设计
3.3.2 系统的功能模块划分
3.3.3 训练模块设计
3.3.4 预测模块设计
3.4 本章小结
第四章 训练模块的详细设计与实现
4.1 图像预处理模块
4.1.1 数据集选取
4.1.2 数据集组织
4.1.3 图像转换
4.1.4 图像增广
4.1.5 数据迭代器
4.2 神经网络模型模块
4.2.1 模型选择
4.2.2 模型实现
4.2.3 迁移学习
4.3 模型训练
4.3.1 损失函数模块
4.3.2 优化算法模块
4.3.3 模型训练模块
4.3.4 准确度计算模块
4.4 候选模型实验结果
4.4.1 迁移学习方法分析
4.4.2 训练过程分析
4.4.3 候选模型准确度实验结果分析
4.5 多模型融合学习
4.5.1 模型融合方案设计
4.5.2 融合模型实验结果分析
4.6 犬种识别系统的预测模型
4.7 本章小结
第五章 预测模块的实现
5.1 用户界面模块
5.1.1 响应式页面
5.1.2 基于canvas的前端图片压缩
5.1.3 实现效果图
5.2 WEB应用模块
5.3 图像预测模块
5.4 进程监控模块
5.5 基础后端应用的性能
5.5.1 犬种识别服务的性能需求
5.5.2 基础后端应用的性能
5.6 基于GPU特性的后端应用优化方法
5.6.1 基础后端应用的瓶颈
5.6.2 GPU利用率分析
5.6.3 异步非阻塞的后端应用方案
5.6.4 异步非阻塞的后端应用实现
5.6.5 异步非阻塞的后端应用性能分析
5.7 基于快速失败特性的后端应用优化方法
5.7.1 基于快速失败特性后端应用的实现
5.7.2 基于快速失败特性后端应用的实验结果
5.8 本章小结
第六章 系统测试
6.1 测试环境
6.2 测试用例设计
6.3 系统测试结果
6.4 测试总结
6.5 本章小结
第七章 总结与展望
7.1 总结
7.2 展望
致谢
参考文献
本文编号：3741185
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外犬种识别研究现状
1.2.1 基于传统图像分类方法的犬种识别研究
1.2.2 基于卷积神经网络的犬种识别研究
1.3 论文主要工作
1.3.1 犬种识别算法设计与实现
1.3.2 犬种识别系统的设计与实现
1.4 论文组织结构
第二章 相关技术介绍
2.1 卷积神经网络的研究历史
2.2 卷积神经网络的基本网络结构
2.2.1 卷积层
2.2.2 池化层
2.2.3 激活层
2.2.4 全连接层
2.3 文中使用的卷积神经网络模型
2.3.1 AlexNet
2.3.2 VGGNet
2.3.3 Inceptionv3
2.3.4 ResNet
2.3.5 DenseNet
2.3.6 SqueezeNet
2.4 深度学习框架
2.4.1 深度学习框架工作原理
2.4.2 MXNet深度学习框架
2.5 本章小结
第三章 系统需求与概要设计
3.1 系统需求
3.2 环境需求
3.3 系统架构设计
3.3.1 系统架构设计
3.3.2 系统的功能模块划分
3.3.3 训练模块设计
3.3.4 预测模块设计
3.4 本章小结
第四章 训练模块的详细设计与实现
4.1 图像预处理模块
4.1.1 数据集选取
4.1.2 数据集组织
4.1.3 图像转换
4.1.4 图像增广
4.1.5 数据迭代器
4.2 神经网络模型模块
4.2.1 模型选择
4.2.2 模型实现
4.2.3 迁移学习
4.3 模型训练
4.3.1 损失函数模块
4.3.2 优化算法模块
4.3.3 模型训练模块
4.3.4 准确度计算模块
4.4 候选模型实验结果
4.4.1 迁移学习方法分析
4.4.2 训练过程分析
4.4.3 候选模型准确度实验结果分析
4.5 多模型融合学习
4.5.1 模型融合方案设计
4.5.2 融合模型实验结果分析
4.6 犬种识别系统的预测模型
4.7 本章小结
第五章 预测模块的实现
5.1 用户界面模块
5.1.1 响应式页面
5.1.2 基于canvas的前端图片压缩
5.1.3 实现效果图
5.2 WEB应用模块
5.3 图像预测模块
5.4 进程监控模块
5.5 基础后端应用的性能
5.5.1 犬种识别服务的性能需求
5.5.2 基础后端应用的性能
5.6 基于GPU特性的后端应用优化方法
5.6.1 基础后端应用的瓶颈
5.6.2 GPU利用率分析
5.6.3 异步非阻塞的后端应用方案
5.6.4 异步非阻塞的后端应用实现
5.6.5 异步非阻塞的后端应用性能分析
5.7 基于快速失败特性的后端应用优化方法
5.7.1 基于快速失败特性后端应用的实现
5.7.2 基于快速失败特性后端应用的实验结果
5.8 本章小结
第六章 系统测试
6.1 测试环境
6.2 测试用例设计
6.3 系统测试结果
6.4 测试总结
6.5 本章小结
第七章 总结与展望
7.1 总结
7.2 展望
致谢
参考文献
本文编号：3741185
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3741185.html
最近更新
教材专著
