基于深度学习的图像分类搜索系统

发布时间：2021-08-05 20:58

　　图像分类是根据图像的信息将不同类别的图像区分开来,是计算机视觉中重要的基本问题,也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像、声音和文本。该系统基于Caffe深度学习框架,首先对数据集进行训练分析构建深度学习网络,提取数据集图像特征信息,得到数据对应的分类模型,然后以bvlc-imagenet训练集模型为基础,对目标图像进行扩展应用,实现"以图搜图"Web应用。 

【文章来源】：电子技术应用. 2019,45(12)

【文章页数】：5 页

【部分图文】：

3×3矩阵卷积过程

如果输入的图像是6×6的一组矩阵，其前3×3格的数据经过权值weight的加权求和后可以得到429，得到第一个卷积后的数据；输入矩阵每次运算向后移动一小格，并与权值weight进行加权求和，扫完整个数据可以得到一个4×4的数据，卷积的结果是维数降低了，如图2所示。1.2 卷积核

池化与卷积非常相似，简单来说就是下采样，都是使用一个矩阵与另一个矩阵的加权和得到最后的数据。池化与卷积最大的不同是卷积重复使用一个数据，而池化是每个数据只加权求和使用一次。当原来的矩阵是m×m、采样窗口是n×n时，卷积能够取得(m-n+1)×(m-n+1)的矩阵结果，而池化在不重复使用数据加权求和的情况下，一共只能采样(m/n)×(m/n)的结果矩阵。之所以这么做，是因为即使做完了卷积，图像仍然很大(因为卷积核比较小)，所以为了降低数据维度，就进行下采样。之所以能这么做，是因为即使减少了许多数据，特征的统计属性仍能够描述图像，而且由于降低了数据维度，有效地避免了过拟合[4-5]。池化的过程如图3所示，原始图片大小是12×12维度，对其进行下采样，采样窗口为10×10，通过池化将其下采样成为一个2×2大小的特征图。1.4 训练流程

【参考文献】：
期刊论文
[1]基于TensorFlow深度学习手写体数字识别及应用[J]. 黄睿,陆许明,邬依林.  电子技术应用. 2018(10)
[2]基于深度学习的图像分类方法[J]. 许少尉,陈思宇.  电子技术应用. 2018(06)
[3]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军.  计算机学报. 2019(03)
[4]深度学习框架Caffe在图像分类中的应用[J]. 王茜,张海仙.  现代计算机(专业版). 2016(05)
[5]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)

硕士论文
[1]基于Caffe平台深度学习的人脸识别研究与实现[D]. 魏正.西安电子科技大学 2015



本文编号：3324448