基于深度学习模型的图像分类方法研究

发布时间：2021-02-16 06:53

　　近年来,在互联网技术迅速发展的同时,网络数据量也在急剧增加,数据采集的技术也有极大提高,越来越多的人使用图像来表示和传输信息,为了人们能快速准确地从图像中获取信息,图像分类作为人工智能的一个重要领域被广泛研究。对于图像分类问题,关键在于如何从图像中提取出更加抽象的特征信息,特征提取的好坏对分类结果至关重要。深度学习是近年来出现的一种多层神经网络学习算法,因其优秀的特征学习能力被广泛应用于图像分类、语音识别及自然语言处理等领域。首先,本文在具体分析图像分类以及深度学习理论发展现状的基础上,深入研究了两种经典的深度学习模型:深度置信网络（Deep Belief Network,DBN）和卷积神经网络（Convolutional Neural Network,CNN）。其次,针对传统深度置信网络训练过程中因固定学习参数导致的网络收敛速度慢、分类精度不高的问题,提出了一种基于改进的自适应LBP-DBN图像分类算法。该算法首先将一种自适应更新准则引入到限制玻尔兹曼机的训练中;然后通过计算迭代前后的重构误差增量和权重更新方向来实现动量和学习率的自适应调节;最后分别通过ORL数据库和Yale数据库进... 

【文章来源】：河南大学河南省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

生物神经元结构

该模型就是模仿生物学中的神经系统而以看作是一个单独的信息处理单元，能够接输入单输出的性质。为了更好地实现对神经正负来表示刺激信号对神经元的不同作用，有外来的刺激信号进行整理合并，经过激活式表示如下：1ni iv w== ( )y v = Φ 其中， ( 1,2,...,)ix i = n表示传入神经元的刺激经元之间的连接权值，b 表示该神经元的阈

神奎

【参考文献】：
期刊论文
[1]基于自适应学习率的深度信念网设计与应用[J]. 乔俊飞,王功明,李晓理,韩红桂,柴伟.  自动化学报. 2017(08)
[2]局部高密度残差点包裹相位的解包方法[J]. 郭媛,杨震,吴全.  激光与光电子学进展. 2017(04)
[3]采用局部二值模式与深度信念网络的人脸识别[J]. 吴进,严辉,王洁.  电讯技术. 2016(10)
[4]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.  自动化学报. 2016(09)
[5]一种基于2D和3D SIFT特征级融合的一般物体识别算法[J]. 李新德,刘苗苗,徐叶帆,雒超民.  电子学报. 2015(11)
[6]基于自适应深度置信网络的图像分类方法[J]. 杨春德,张磊.  计算机工程与设计. 2015(10)
[7]基于局部二值模式和深度学习的人脸识别[J]. 张雯,王文伟.  计算机应用. 2015(05)
[8]受限波尔兹曼机[J]. 张春霞,姬楠楠,王冠伟.  工程数学学报. 2015(02)
[9]一种基于改进LBP特征的人脸识别[J]. 郭贺飞,陆建峰,董忠汶.  现代电子技术. 2015(04)
[10]基于深度学习的图像自动标注算法[J]. 杨阳,张文生.  数据采集与处理. 2015(01)

硕士论文
[1]基于深度学习的图像识别方法研究与应用[D]. 文馗.华中师范大学 2017
[2]基于深度学习的图像识别应用研究[D]. 周凯龙.北京工业大学 2016
[3]基于深度信念网络的在线社交图像分类研究[D]. 王永超.重庆邮电大学 2016
[4]基于卷积神经网络的交通标识识别研究与应用[D]. 杨心.大连理工大学 2014
[5]深度学习及其在手写汉字识别中的应用研究[D]. 王有旺.华南理工大学 2014
[6]基于粒子群与模拟退火算法的BP网络学习方法研究[D]. 江丽.安徽大学 2013
[7]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012



本文编号：3036372