基于改进卷积神经网络的图像识别技术的研究

发布时间：2020-12-23 23:44

　　图像识别技术是模式识别领域的研究热点之一,其任务是利用在训练集上学习到的预测模型来判断给定图像的类别或属性。近年来,随着计算机技术的发展,利用卷积神经网络（Convolution Neural Network,CNN）技术来学习预测模型的方法已成为了图像识别领域的主流。支持向量机（Support Vector Machines,SVM）驱动的CNN模型中采用基于大间隔思想的SVM作为能量函数来指导CNN的学习,相比于使用Softmax损失的传统CNN模型,具有更强的泛化性能。然而,该算法忽视了特征空间中包含所有样本的最小包含球（Minimum Enclosing Ball,MEB）的半径对SVM泛化误差上界的影响,这极大的限制了其泛化性能的进一步提高。此外,该算法没有考虑到总体样本的分布信息,使得其难以指导CNN提取到更优质的图像特征。针对如上的两个不足,本文主要做了如下研究:（1）在深度模型的训练过程中CNN提取到的特征空间是在不断变化的,此时SVM的泛化误差上界不仅取决于不同类之间的分类间隔,还与特征空间中不断变化的MEB的半径有关。针对这一事实,采用基于SVM泛化误差界的策略来指... 

【文章来源】：西华大学四川省

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 研究现状
    1.3 研究目的
    1.4 本文的主要工作及章节安排
2 相关工作
    2.1 支持向量机
    2.2 支持向量机驱动的卷积神经网络
3 半径间隔界驱动的卷积神经网络
    3.1 引言
    3.2 支持向量机的泛化误差理论
    3.3 建立模型
    3.4 模型的更新
        3.4.1 更新最大成对距离
        3.4.2 更新分类器参数
        3.4.3 更新权重系数
    3.5 识别方法
    3.6 实验结果分析
        3.6.1 惩罚系数λ对模型性能的影响
        3.6.2 验证最大成对距离与分类间隔
    3.7 本章小结
4 最小内类方差支持向量机驱动的卷积神经网络
    4.1 引言
    4.2 最小类内方差支持向量机
    4.3 建立模型
    4.4 模型的更新
        4.4.1 更新分类器参数
        4.4.2 更新权重系数
    4.5 识别策略
    4.6 实验及分析
        4.6.1 模型在Mini-batch策略下的有效性分析
        4.6.2 惩罚系数对模型性能的影响
    4.7 本章小结
5 综合实验及分析
    5.1 图像特征的可视化比较
    5.2 识别准确率与分析
    5.3 识别率增长比较
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
附录 论文使用的主要符号的意义
攻读硕士学位期间发表论文及科研成果
致谢



本文编号：2934558