基于卷积神经网络的自然图像分类研究

发布时间：2020-12-31 19:18

　　近年来,深度学习在计算机视觉领域的快速发展,以及人工智能技术的进步,使得深度学习成为人工智能领域的热点方向。其中,卷积神经网络是深度学习模型算法中最成功的算法之一,它具有权值共享,稀疏连接,网络结构更类似于生物神经网络等优点。本文通过对卷积神经网络算法在图像分类上的应用研究,对模型进行优化和改进,在深度学习框架（Caffe、Keras）上构建卷积神经网络模型,并在相关公开数据集上验证其方法的有效性。论文主要从参数优化和模型改进两个方面对卷积神经网络进行相关研究。（1）参数优化针对卷积神经网络的卷积核大小、池化方式和大小、卷积层数等优化策略,本文在深度学习框架Caffe中构造Brief-Net模型。该模型同AelxNet,CaffeNet相比采用较小的首层卷积核,并且结构更加精简,在相关图像数据集上的实验结果表明,本文优化的Brief-Net具有更高的图像分类正确率。除此之外,本文还通过实验验证Brief-Net模型的首层卷积核最优大小为9。（2）模型改进传统的卷积神经网络（CNN）通常会丢弃负值特征信息,针对CNN更好地学习图像特征的问题,对传统的CNN模型进行改进,提出Supplem... 

【文章来源】：成都信息工程大学四川省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

MCP人工神经元模型

Layer L1图 2-1 自编码神经网络经网络主要学习一个h ( x )= x的函数，数据经，尽量确保输出结果与输入的数据相等，即隐含。假设输入层 L1 的神经元共有 100 个，隐含层

jj=1函数设为，(W =,b ) J (W ,b )+ b θ( )( )1121 s s( ) ( ) ( )1 1 1 121 s s(i) (i) 2 ( )1 1 1 1( ; , ) W21( ) W2 2l l ll l lnmi i ljii l i jnmlw,b ji l i jJ W,b x y||h x -y ||ll++ = = = = = = + + ∑ ∑∑∑∑ ∑∑∑θ 的权重，通过反向梯度求导算法求得值，即局部最优解。下：非监督学习方法进行特征的学习。如图prediction


本文编号：2950165