基于深度卷积神经网络的图像识别算法研究

发布时间：2023-04-22 07:15

　　卷积神经网络(Convolutional Neural Network,CNN)可以学习图像隐性特征,具有强大的自学习能力,在图像识别领域取得了优异的成绩,而深度卷积神经网络的发展为图像识别领域带来了深刻的变革,它可以提取到更深度的人们无法理解的特征而进一步提高了图像识别的准确率。然而随着网络层数的加深,网络的训练也随之遇到很多问题。首先是目前仍然没有完善的数学理论指导模型结构的设计,其次是在网络训练过程中采用的优化算法存在缺陷,两者直接关系到网络模型的训练速度和模型在测试集上的准确率。本文将针对深度卷积神经网络的模型和反向传播优化算法进行研究,建立一个简单高效的深度卷积神经网络模型。本文首先在VGGNet网络模型基础上,用全卷积取代了原网络后三层的全连接,同时增加了一个卷积层并适当调整了网络参数,设计了改进的全卷积神经网络FC-VGGNet-plus(Fully Convolutional VGGNet plus)模型架构,加快了网络的训练速度,在CIFAR-10数据集上每次迭代时间平均缩短了0.13秒,同时在测试集上的准确率也有一定提升,在同样的设备条件和迭代次数下准确率从82.3...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 卷积神经网络结构研究现状
        1.2.2 卷积神经网络优化算法研究现状
    1.3 本文主要工作
    1.4 本文组织结构
第2章 卷积神经网络结构及优化算法
    2.1 卷积神经网络概述
        2.1.1 卷积原理
        2.1.2 降采样原理
    2.2 卷积神经网络结构
        2.2.1 感知机单元
        2.2.2 多层卷积神经网络结构
    2.3 反向传播梯度下降算法
    2.4 梯度下降算法的改进算法
        2.4.1 随机梯度下降算法SGD
        2.4.2 基于Momentum的随机梯度下降算法
    2.5 本章小结
第3章 改进的全卷积神经网络FC-VGGNet-plus
    3.1 深度卷积神经网络模型架构
        3.1.1 VGGNet网络模型
        3.1.2 VGGNet参数配置
    3.2 改进的全卷积FC-VGGNet-plus模型
        3.2.1 FC-VGGNet-plus结构设计
        3.2.2 FC-VGGNet-plus模型参数选择
    3.3 仿真实验与结果分析
        3.3.1 实验数据集选择
        3.3.2 实验结果分析
    3.4 本章小结
第4章 基于群优化算法的卷积神经网络
    4.1 粒子群算法
    4.2 变权重粒子群算法
    4.3 结合变权重粒子群算法的CNN优化算法PSO-CNN
        4.3.1 粒子群优化卷积神经网络算法原理
        4.3.2 基于PSO-CNN算法的卷积神经网络训练过程
    4.4 仿真实验与结果分析
        4.4.1 实验数据集选择
        4.4.2 实验结果分析
    4.5 本章小结
第5章 基于PSO-CNN的FC-VGGNet-plus图像识别设计
    5.1 构建基于PSO-CNN的全卷积网络
        5.1.1 网络训练模式
        5.1.2 图像识别系统设计
    5.2 仿真环境及实验设计
        5.2.1 仿真环境介绍
        5.2.2 实验方案
    5.3 实验结果分析
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
作者简介及参与的科研项目
致谢



本文编号：3797174