21世紀(jì)以來(lái),圖像識(shí)別技術(shù)的應(yīng)用越來(lái)越廣泛,而深度學(xué)習(xí)的興起讓圖像識(shí)別有了新的跨越式的發(fā)展。傳統(tǒng)的目標(biāo)識(shí)別方法具有相當(dāng)大的局限性,應(yīng)對(duì)獲得的數(shù)據(jù)集時(shí),需要對(duì)圖像進(jìn)行復(fù)雜的預(yù)處理,處理圖像特征時(shí),在提取圖像特征之時(shí),需要結(jié)合圖像具體的特征來(lái)設(shè)計(jì)相應(yīng)的方法。傳統(tǒng)的一些提取方法所構(gòu)建的分類器,有著較低的識(shí)別精度,并且往往只能適用于特定的對(duì)象。在本次研究中,首先對(duì)傳統(tǒng)方法的一些局限性進(jìn)行闡述,然后以深度學(xué)習(xí)為基礎(chǔ),開(kāi)發(fā)了新型的圖像識(shí)別技術(shù),其中使用了兩種卷積神經(jīng)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)的特征學(xué)習(xí)功能較為強(qiáng)大,能夠提取圖像信息,提高了檢測(cè)性能。本文的研究對(duì)象是人民幣水印,通過(guò)構(gòu)建人民幣圖像數(shù)據(jù)集,驗(yàn)證經(jīng)典目標(biāo)檢測(cè)網(wǎng)絡(luò)的試驗(yàn)效果,對(duì)深度學(xué)習(xí)模型進(jìn)行開(kāi)發(fā)與優(yōu)化,從而精準(zhǔn)辨識(shí)出人民幣水印。在研究過(guò)程中,以尺度不變網(wǎng)絡(luò)、目標(biāo)檢測(cè)算法Refine Det為對(duì)象,對(duì)其展開(kāi)優(yōu)化,并基于實(shí)驗(yàn),證實(shí)這兩種算法在該領(lǐng)域水印辨識(shí)領(lǐng)域的性能,并比較其與經(jīng)典目標(biāo)檢測(cè)網(wǎng)絡(luò)的應(yīng)用效果。本次研究的主要工作包括:對(duì)人民幣圖像信息進(jìn)行擴(kuò)展。針對(duì)目前缺乏一套合適的開(kāi)放式人民幣圖像數(shù)據(jù)集的問(wèn)題,對(duì)現(xiàn)實(shí)自然環(huán)境中的多種人民幣圖像進(jìn)行了人工采集和標(biāo)... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

BP神經(jīng)元的組成

CNN主要結(jié)構(gòu)演示圖

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-9-圖2-3LetNet-5卷積網(wǎng)絡(luò)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)主要組成結(jié)構(gòu)包括圖2-2里面的三部分。其中第一部分指的是數(shù)據(jù)輸入層；其次則為N個(gè)卷積計(jì)算層、激勵(lì)層和池化層；最后則為全連接層，主要包括分類器以及全連接多層感知層。層具體結(jié)構(gòu)情況可見(jiàn)下文：（1）輸入層為了讓復(fù)雜度有所下降，數(shù)據(jù)輸入層通常選擇的為灰度圖像。輸入圖像一般在分布上要做到相同規(guī)格化，保持在-1和1中間。去均值：對(duì)全部樣本均值進(jìn)行計(jì)算，然后將均值進(jìn)行相減。（2）卷積層卷積層主要對(duì)輸入信號(hào)相關(guān)特征進(jìn)行提取，在提取的過(guò)程中主要卷積圖像。在卷積層里面存在大量卷積核，主要作用為卷積以及計(jì)算。在單個(gè)卷積核中，存在多個(gè)表示權(quán)值和一個(gè)偏差項(xiàng)的元素，這與BP神經(jīng)網(wǎng)絡(luò)里面神經(jīng)元的結(jié)構(gòu)十分類似，卷積運(yùn)算具體過(guò)程如下所示其中l(wèi)ijw代表著第L層第i個(gè)以及第L-1層第j個(gè)神經(jīng)元兩者中間對(duì)應(yīng)的權(quán)重值，L1jA代表著第L-1層第j個(gè)神經(jīng)元對(duì)應(yīng)的輸出，而Ljb則代表著第L層卷積核對(duì)應(yīng)的偏置項(xiàng)，f)(則代表著卷積核對(duì)應(yīng)的激活函數(shù)，那么該神經(jīng)元對(duì)應(yīng)的輸出jS數(shù)值為：)*(11LjLjnjlijjSwbAf(2-6)輸入數(shù)據(jù)里面擁有很多數(shù)據(jù)特征信息，這些信息擁有相關(guān)以及不相關(guān)性，利用卷積運(yùn)算就能獲得這些數(shù)據(jù)自身?yè)碛械挠行卣�，可以更好的縮減數(shù)據(jù)噪聲。（3）激勵(lì)層激勵(lì)層也可以稱作激勵(lì)函數(shù)，卷積神經(jīng)網(wǎng)絡(luò)歸根結(jié)底為對(duì)輸入圖像數(shù)據(jù)展開(kāi)卷積、修正線性單元、池化以及全連接處理，然后對(duì)多維向量專門進(jìn)行輸出，最后與分類器之間進(jìn)行連接并對(duì)圖像實(shí)施分類。激勵(lì)函數(shù)的位置一般在神經(jīng)元內(nèi)部，有助于對(duì)神經(jīng)網(wǎng)絡(luò)的表達(dá)以及非線性等能力進(jìn)行增強(qiáng)。一般來(lái)說(shuō)，激勵(lì)函數(shù)是非線性的。卷積神經(jīng)網(wǎng)絡(luò)里面最常見(jiàn)的激勵(lì)函數(shù)主要包括Sigmoid、Tanh、ReLu[23]等?

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)SSD模型的視頻室內(nèi)人數(shù)統(tǒng)計(jì)[J]. 鄭國(guó)書,朱秋煜,王輝.  工業(yè)控制計(jì)算機(jī). 2017(11)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)輸船舶分類識(shí)別方法[J]. 戚超,王曉峰.  微型機(jī)與應(yīng)用. 2017(17)
[3]深度學(xué)習(xí)發(fā)展綜述[J]. 侯宇青陽(yáng),全吉成,王宏偉.  艦船電子工程. 2017(04)
[4]深度學(xué)習(xí)研究概述[J]. 劉鈺鵬.  信息與電腦(理論版). 2016(03)
[5]結(jié)合模式對(duì)應(yīng)與機(jī)器學(xué)習(xí)的HEVC降分辨率轉(zhuǎn)碼[J]. 李雪晴,何小海,吳小強(qiáng),林宏偉.  電視技術(shù). 2016(01)
[6]基于局部自相似性和奇異值分解的超采樣圖像細(xì)節(jié)增強(qiáng)[J]. 肖進(jìn)勝,高威,彭紅,唐路敏,易本順.  計(jì)算機(jī)學(xué)報(bào). 2016(07)
[7]基于學(xué)習(xí)的圖像智能適配顯示技術(shù)[J]. 李可,楊奕臻,顏波.  北京航空航天大學(xué)學(xué)報(bào). 2015(06)
[8]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學(xué)學(xué)報(bào). 2015(01)
[9]基于改進(jìn)稀疏編碼的圖像超分辨率算法[J]. 盛帥,曹麗萍,黃增喜,吳鵬飛.  計(jì)算機(jī)應(yīng)用. 2014(02)

碩士論文
[1]基于深度學(xué)習(xí)的圖像態(tài)勢(shì)感知應(yīng)用研究[D]. 楊文慧.哈爾濱工業(yè)大學(xué) 2016



本文編號(hào)：3340911