基于优化的卷积神经网络在图像识别上的研究

发布时间：2021-09-18 12:01

　　现在是大数据时代,随着计算机性能的不断提高与科学技术的不断进步,深度学习已经成为了新的研究热点并取得了突破性的研究成果,在图像处理、自动驾驶、语音处理和自然语言处理等领域都得到了广泛的应用。卷积神经网络是一种常用的深度学习算法,在图像处理尤其是图像识别上有很大优势,表现出了很好的性能,可以说是目前最好的图像识别方法之一。相较于传统的图像识别方法来说,卷积神经网络可以直接将图像作为网络输入,通过逐层的运算与传递,自动提取到具有辨别性的图像特征,最后经过分类器完成识别过程。整个流程避免了传统方法中过多的预处理与人工选择特征的复杂过程,完成了端到端的图像识别。本文结合卷积神经网络的基础理论进行图像识别,旨在设计提高识别率与精简参数的网络,通过结合近几年卷积神经网络的经典结构,并进行反复调参与不断优化网络得到了好的训练模型,最终实现了提高网络准确率与减少参数的目的。本文的主要研究内容与创新点如下:（1）介绍了卷积神经网络的基本概念,主要包括工作原理、反向传播算法与整体结构等;简述了深度学习的Caffe框架;对数据预处理如尺度归一化、去均值与数据增强做了介绍。（2）结合目前卷积神经网络的发展设计... 

【文章来源】：广西师范大学广西壮族自治区

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

感知器模型

图 2-2 Sigmoid 和 Tanh 函数图像从图 2-2 可以看出，Sigmoid 函数和 Tanh 函数都对中间区域有增益作用，但对两侧区域则达到饱和状态，具有抑制作用，这种特性更加类似于生物神经元。Sigmoid 和 Tanh 函数的主要区别是输出范围不同，Sigmoid 函数将输出范围限制在[0, 1]，而 Tanh 函数将输出范围限制在[-1, 1]。

神经元与下一层的所有神经元全部连接层进行传播；网络第二层为隐含层，该的变换得到输出，并把该层输出作为下隐含层类似的处理方式得到输出并把输 BP 网络的前向计算过程。BP 网络采用梯更新神经元的权重和偏置，这个过程是络前向传播示意图的示例，设 (,,X xx

【参考文献】：
期刊论文
[1]基于深度学习的图像检索系统[J]. 胡二雷,冯瑞.  计算机系统应用. 2017(03)
[2]并行交叉的深度卷积神经网络模型[J]. 汤鹏杰,王瀚漓,左凌轩.  中国图象图形学报. 2016(03)
[3]Challenges of Big Data analysis[J]. Jianqing Fan,Fang Han,Han Liu.  National Science Review. 2014(02)

硕士论文
[1]基于深度学习的表情识别方法研究[D]. 程曦.长春工业大学 2017
[2]基于计算机视觉和深度学习的自动驾驶方法研究[D]. 白辰甲.哈尔滨工业大学 2017
[3]基于卷积神经网络的图像识别算法研究[D]. 张荣磊.山东理工大学 2017
[4]基于CNN的交通标志识别方法研究[D]. 杨振杰.天津工业大学 2017



本文编号：3400102