隨著互聯(lián)網(wǎng)技術(shù)和移動(dòng)設(shè)備的迅速發(fā)展,智能手機(jī)Web應(yīng)用由于其天然的跨平臺(tái)性質(zhì)和無需下載、方便用戶使用的特點(diǎn),能有效幫助品牌進(jìn)行產(chǎn)品推廣,因此受到歡迎與廣泛重視。其中對(duì)于品牌logo識(shí)別技術(shù)作為許多智能手機(jī)Web應(yīng)用中的一項(xiàng)基礎(chǔ)性技術(shù)和重要步驟,也得到了開發(fā)人員的重視和諸多發(fā)展。目前為止,傳統(tǒng)的logo識(shí)別技術(shù)基本都是通過人為選擇特征進(jìn)行特征匹配或輪廓提取等方法達(dá)到識(shí)別目的,但這些傳統(tǒng)方法由于自身局限性應(yīng)用在智能手機(jī)Web應(yīng)用場(chǎng)景中時(shí)都存在諸多不足。近些年隨深度學(xué)習(xí)的迅猛發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域取得了較大的成功,這為面向智能手機(jī)Web應(yīng)用的logo識(shí)別問題的解決提供了新思路。卷積神經(jīng)網(wǎng)絡(luò)一般在解決海量數(shù)據(jù)的多分類問題上表現(xiàn)較好,直接應(yīng)用于解決單一品牌的logo識(shí)別問題時(shí),由于logo結(jié)構(gòu)簡(jiǎn)單、樣本規(guī)模一般較小等因素限制導(dǎo)致網(wǎng)絡(luò)表現(xiàn)不佳。為有效利用卷積神經(jīng)網(wǎng)絡(luò)優(yōu)良特性有效的解決單一品牌的logo識(shí)別問題,本文提出了陪練機(jī)制和閾值判定法。本文首先研究了幾種經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)在logo識(shí)別上的應(yīng)用,探究了分類類別數(shù)的變化對(duì)于卷積神經(jīng)網(wǎng)性能的影響,提出了陪練數(shù)據(jù)集的概念,并分析了為卷積神經(jīng)...

【文章頁數(shù)】：93 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２單層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??“”“

?／??輸入?權(quán)值??圖２－１?抽象的神經(jīng)元模型ＭＰ??神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本組成單元。一個(gè)典型的神經(jīng)元模型應(yīng)該包含有輸入，??輸出和計(jì)算功能。連接是神經(jīng)元中最重要的東西，每一個(gè)連接上都應(yīng)當(dāng)有一個(gè)權(quán)??重。如上圖中的ｗ即為對(duì)應(yīng)每條連接上的權(quán)重。一個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法旨在??通過不....

圖２－１?抽象的神經(jīng)元模型ＭＰ??

單層神經(jīng)網(wǎng)絡(luò)也稱感知機(jī)，是最簡(jiǎn)單的祌經(jīng)網(wǎng)絡(luò)，是于１９５８年康內(nèi)爾大學(xué)??計(jì)算科學(xué)家Ｆｒａｎｋ?Ｒｏｓｅｎｂｌａｔｔ提出兩層神經(jīng)構(gòu)成的神經(jīng)網(wǎng)絡(luò)。感知機(jī)有兩個(gè)層次，??分別是輸入層和輸出層，輸入層和輸出層是直接相連的，結(jié)構(gòu)如圖２－２所示。??？??圖２－２單層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??輸入層里....

圖２－３?兩層祌經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??單隱層神經(jīng)網(wǎng)絡(luò)是感知器的推廣，可以被看做是一個(gè)有向圖，一組輸入向量??

?／??輸入?權(quán)值??圖２－１?抽象的神經(jīng)元模型ＭＰ??神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本組成單元。一個(gè)典型的神經(jīng)元模型應(yīng)該包含有輸入，??輸出和計(jì)算功能。連接是神經(jīng)元中最重要的東西，每一個(gè)連接上都應(yīng)當(dāng)有一個(gè)權(quán)??重。如上圖中的ｗ即為對(duì)應(yīng)每條連接上的權(quán)重。一個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法旨在??通過不....

圖２－４多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??

調(diào)”（ｆｉｎｅ－ｔｕｎｉｎｇ）技術(shù)將預(yù)訓(xùn)練的結(jié)果當(dāng)成模型參數(shù)初始值來對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行優(yōu)??化訓(xùn)練。預(yù)訓(xùn)練和微調(diào)技術(shù)的使用大幅降低了多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練的耗時(shí)。多層神??經(jīng)網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)如圖２－４所示。??＇?Ｉ?！??輸入?輸入層?隱含層?輸出層輸出??圖２－４多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??神經(jīng)網(wǎng)....

本文編號(hào)：3988803