卷积神经网络在图像分类中的应用研究

发布时间：2017-09-27 21:03

  本文关键词：卷积神经网络在图像分类中的应用研究

  更多相关文章： 深度学习 卷积神经网络 caffe 图像分类

【摘要】：卷积神经网络进行图像分类是深度学习关于图像处理的一个应用,卷积神经网络的优点是能够直接与图像像素进行卷积,从图像像素中提取图像特征,这种处理方式更加接近人类大脑视觉系统的处理方式。另外,卷积神经网络的权值共享属性和pooling层使网络需要训练的参数大大减小,简化了网络模型,提高了训练的效率。本论文主要围绕卷积神经网络的网络设计和参数优化两个方面进行深入的研究。卷积神经网络分类性能的好坏很大程度决取于网络层数和网络参数,如何合理地设计卷积神经网络的卷积层,隐含层的数目和优化卷积神经网络的参数是卷积神经网络关于图像分类应用研究中非常重要的环节。本论文主要在caffe框架平台上进行卷积神经网络的网络结构设计和参数优化。首先设计了一个5层网络层的浅层卷积神经网络,分别使用mnist手写图像库和cifar-10图像库进行训练,测试和参数优化。测试结果表明浅层卷积神经网络能够很好地处理像mnist简单的图像分类任务,但是对于比较复杂的cifar-10图像库分类效果并不理想。接着设计了一个9层网络层的复杂卷积神经网络,分别使用了cifar-10和cifar-100图像库对复杂卷积神经网络进行训练,测试和参数优化。测试结果表明复杂卷积神经网络能够处理像cifar-10、cifar-100比较复杂的图像库分类任务。5层浅层网络和9层复杂网络的实验结果说明了网络层的深度对网络的性能影响很大。本论文通过对网络结构和参数优化的研究及在不同数据库上的测试,分析总结了深度学习关于图像分类的一些实践性的规律,对于解决实际工程问题具有较好的指导作用,因为相同的深度学习网络,调参的好坏对性能具有非常大的影响。本论文的结论也可以用于其他领域的深度网络。最后在本论文在总结的卷积神经网络用于图像分类的实践规律上实现了一个图像分类演示系统。该系统简单易用,图像分类效果良好。
【关键词】：深度学习 卷积神经网络 caffe 图像分类
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41;TP183
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-14
• 1.1 研究工作的背景与意义10-11
• 1.2 国内外研究历史与现状11-12
• 1.3 本论文的主要工作内容12-13
• 1.4 本论文的结构安排13-14
• 第二章 卷积神经网络与其在图像分类中的应用分析14-27
• 2.1 反向传播算法14-17
• 2.2 卷积神经网络的架构17-18
• 2.3 卷积神经网络的相关运算18-20
• 2.3.1 卷积运算18-19
• 2.3.2 下采样19-20
• 2.4 图像分类关键技术的研究20-21
• 2.4.1 图像预处理20
• 2.4.2 图像特征提取20-21
• 2.4.3 图像分类方法21
• 2.5 卷积神经网络的优点21-24
• 2.6 CAFFE简介24-26
• 2.6.1 CAFFE的优点24-25
• 2.6.2 CAFFE的基本数据结构25
• 2.6.3 CAFFE的网络配置25-26
• 2.7 本章小结26-27
• 第三章 浅层卷积神经网络的研究27-45
• 3.1 浅层卷积神经网络的设计27-33
• 3.1.1 浅层卷积神经网络的模型设计27-29
• 3.1.2 浅层卷积神经网络的改进29-32
• 3.1.3 浅层卷积神经网络的训练测试算法32-33
• 3.2 训练浅层卷积神经网络33-36
• 3.3 优化网络参数36-42
• 3.3.1 特征可视化36-37
• 3.3.2 激活函数的选择37-39
• 3.3.3 DROPOUT优化39-41
• 3.3.4 正则化约束41-42
• 3.4 图像分类结果与分析42-43
• 3.4.1 MNIST图像库实验分析42-43
• 3.4.2 CIFAR-10图像库实验分析43
• 3.5 本章小结43-45
• 第四章 复杂卷积神经网络的研究45-67
• 4.1 复杂卷积神经网络的设计45-52
• 4.1.1 复杂卷积神经网络的模型设计45-49
• 4.1.1.1 conv1卷积层设计45-46
• 4.1.1.2 conv2卷积层设计46
• 4.1.1.3 conv3卷积层设计46-47
• 4.1.1.4 conv4卷积层设计47
• 4.1.1.5 conv5卷积层设计47-48
• 4.1.1.6 fc6全连接层设计48
• 4.1.1.7 fc7全连接层设计48
• 4.1.1.8 输出分类层设计48-49
• 4.1.2 复杂卷积神经网络的改进49-51
• 4.1.3 复杂卷积神经网络的训练测试算法51-52
• 4.2 优化网络参数52-64
• 4.2.1 特征可视化52-60
• 4.2.2 BATCH值的设定60-61
• 4.2.3 局部响应归一化61-62
• 4.2.4 DROPCONNECT的设计62-63
• 4.2.5 MOMENTUM动量值的设定63
• 4.2.6 扩增训练数据集63-64
• 4.3 图像分类结果与分析64-65
• 4.3.1 CIFAR-10数据库实验分析64-65
• 4.3.2 CIFAR-100数据库实验分析65
• 4.4 本章小结65-67
• 第五章 图像分类系统的实现67-80
• 5.1 图像分类系统的设计67-69
• 5.1.1 图像分类系统的需求分析67-68
• 5.1.2 图像分类系统的整体架构68
• 5.1.3 图像分类系统的工作流程68-69
• 5.2 图像分类系统主界面的实现69-70
• 5.3 图像分类系统中各层的实现70-76
• 5.3.1 卷积层的实现70-71
• 5.3.2 POOLING层的实现71-72
• 5.3.3 全连接层的实现72-73
• 5.3.4 SOFTMAX层的实现73-74
• 5.3.5 网络参数优化方法的实现74-75
• 5.3.6 可视化的实现75-76
• 5.4 图像分类系统76-79
• 5.5 图像分类结果79
• 5.6 本章小结79-80
• 第六章 总结80-82
• 6.1 全文总结80
• 6.2 后续工作展望80-82
• 致谢82-83
• 参考文献83-87

【相似文献】

中国期刊全文数据库 前10条

1 陈戏墨,徐红兵,李志铭,谢铉洋,李曦,李扬彬;数据挖掘在医学图像分类中的应用[J];现代计算机(专业版);2005年01期

2 冀翠萍;孟祥增;;基于内容的图像分类体系[J];电脑知识与技术(学术交流);2007年07期

3 杨杰;陈晓云;;图像分类方法比较研究[J];微计算机应用;2007年06期

4 杨文潮;姜志坚;;图像分类技术研究[J];福建电脑;2008年08期

5 葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;;一种基于相容信息粒原理的图像分类方法[J];广西师范大学学报(自然科学版);2008年03期

6 王军;王员云;;粒计算及其在图像分类中的应用研究[J];计算机工程与科学;2009年03期

7 吴军;王士同;;基于正负模糊规则的相结合的图像分类[J];计算机应用;2011年01期

8 吴军;王士同;赵鑫;;正负模糊规则系统、极限学习机与图像分类[J];中国图象图形学报;2011年08期

9 郝永宽;王威;聂维同;王德强;;图像分类与聚类分析[J];数字技术与应用;2011年12期

10 蒋玲芳;张伟;司梦;;基于词袋模型的电子报图像分类方法研究[J];信阳师范学院学报(自然科学版);2013年01期

中国重要会议论文全文数据库 前10条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 王海峰;管亮;;基于颜色特征的图像分类技术在油品分析中的应用[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

4 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

5 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

6 李博;韩萍;;基于压缩感知和SVM的极化SAR图像分类[A];第二十七届中国（天津）2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年

7 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

8 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

9 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

中国博士学位论文全文数据库 前10条

1 胡尧;基于低秩矩阵估计的机器学习算法分析[D];浙江大学;2015年

2 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

3 陈博;基于集成学习和特征选择的极化SAR地物分类[D];西安电子科技大学;2015年

4 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

5 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年

6 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

7 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

8 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

9 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

10 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年

中国硕士学位论文全文数据库 前10条

1 张明静;基于改进遗传算法的分块综合特征加权图像分类研究[D];华南理工大学;2015年

2 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年

3 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年

4 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年

5 钟畏丹;基于HSV和纹理特征的图像分类[D];华中师范大学;2015年

6 焦阳;基于主动学习的多标签图像分类方法研究[D];苏州大学;2015年

7 王腾川;基于主动学习的SAR图像分类方法研究[D];上海交通大学;2015年

8 NGUYEN QUANG KHANH;基于极化SAR目标信息提取与SVM分类[D];哈尔滨工业大学;2015年

9 王朔琛;基于半监督支持向量机的图像分类方法研究[D];陕西师范大学;2015年

10 杨东坡;基于深度学习的商品图像分类[D];大连交通大学;2015年

，

本文编号：931856