基于深度学习的图像识别系统算法研究

发布时间：2025-01-04 01:16

　　随着计算机硬件性能的快速提升、海量数据学习算法的发展以及对神经网络的深入研究,深度学习方法被广泛的应用于图像识别任务中,其中卷积神经网络优异的性能在图像识别任务中大放异彩,并在诸如语音识别、运动预测、医疗诊断等领域均有良好的表现。卷积神经网络相比于传统的人工神经网络更好的模拟了视觉神经元对图像信息的响应,使用稀疏连接的方式极大地降低了神经网络的参数规模,使用共享权值的方法将卷积层的每个卷积核重复的用于提取图像特征的过程,最大可能的减少了模型参数的数量,有效的提升了模型的训练效率。基于卷积神经网络的图像识别方法避免了传统方法繁杂低效的特征提取,将图像的特征分析也融入了模型训练过程中。虽然卷积神经网络模型在图像识别任务中取得了显著的成绩,但是在面对移动设备、嵌入式系统等计算资源有限的平台时,传统的基于深度学习的模型由于参数量及运算量较为庞大便不再是一个理想的选择,因此本文在保证模型性能的前提下,对如何简化模型的网络结构和参数方法做了深入研究,并且提出了基于原始MobileNet的改进模型。本文的主要创新性研究工作主要包括以下三点:1、针对现有模型为了提升性能,不断加深模型结构层数、增大参数量...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 章节安排
第二章 图像识别及神经网络算法概述
    2.1 图像识别
        2.1.1 图像预处理
        2.1.2 图像特征提取
        2.1.3 图像分类器
    2.2 深度学习
        2.2.1 深度学习的概念
        2.2.2 深度学习与浅层学习
    2.3 卷积神经网络
        2.3.1 卷积神经网络的发展
        2.3.2 卷积神经网络的结构
    2.4 卷积神经网络训练方法
    2.5 防止过拟合技术
        2.5.1 正则化
        2.5.2 Dropout
    2.6 本章小结
第三章 基于MobileNet的高效神经网络算法研究及改进
    3.1 神经网络压缩方法
        3.1.1 权重矩阵稀疏化
        3.1.2 权重参数共享
        3.1.3 利用新型网络模块
    3.2 高效神经网络模型
        3.2.1 深度可分离卷积层
        3.2.2 高效神经网络结构
    3.3 改进的高效神经网络模型
        3.3.1 全局深度卷积
        3.3.2 迁移学习
        3.3.3 优化器
        3.3.4 Tensor Flow 框架
    3.4 本章小结
第四章 基于改进MobileNet模型的图像识别
    4.1 实验配置及评估标准
    4.2 实验数据集
    4.3 模型结构
    4.4 实验结果
    4.5 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 研究展望
参考文献
作者在读期间科研成果简介
致谢



本文编号：4022675