本文選題：深度學(xué)習(xí) + 卷積神經(jīng)網(wǎng)絡(luò)�。� 參考：《深圳大學(xué)》2017年碩士論文

【摘要】：隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域的快速發(fā)展,與之相關(guān)的人工智能技術(shù)取得了很大的進(jìn)步。其中,卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)算法中的一種,具有結(jié)構(gòu)簡(jiǎn)單,適應(yīng)性強(qiáng),訓(xùn)練參數(shù)少等特點(diǎn),近年來(lái)被廣泛應(yīng)用在圖像分類(lèi)識(shí)別領(lǐng)域中。雖然這些基于卷積神經(jīng)網(wǎng)絡(luò)的模型及其變體持續(xù)不斷的提高著圖像分類(lèi)識(shí)別的結(jié)果。但是,高性能的卷積神經(jīng)網(wǎng)絡(luò)往往具有很大的計(jì)算復(fù)雜度和內(nèi)存消耗,人們很難將其投入到實(shí)時(shí)的應(yīng)用和設(shè)備中。雖然現(xiàn)在文獻(xiàn)中提出了很多用于減少網(wǎng)絡(luò)復(fù)雜度和優(yōu)化網(wǎng)絡(luò)模型速度的方法。但是網(wǎng)絡(luò)配置中大量的參數(shù)與網(wǎng)絡(luò)復(fù)雜度及性能之間的關(guān)系并沒(méi)有被完全探究和分析出來(lái),本文的主要工作是平衡網(wǎng)絡(luò)復(fù)雜度和性能兩方面的因素,配置一個(gè)合適的網(wǎng)絡(luò),使其能夠符合應(yīng)用平臺(tái)的需求。本文首先設(shè)計(jì)一個(gè)卷積神經(jīng)網(wǎng)絡(luò)作為我們的基準(zhǔn)網(wǎng)絡(luò),然后找出幾個(gè)影響網(wǎng)絡(luò)計(jì)算復(fù)雜度的重要參數(shù),如卷積層的層數(shù),濾波器的大小,輸入圖像的分辨率等作為影響網(wǎng)絡(luò)復(fù)雜度的控制參數(shù),網(wǎng)絡(luò)的復(fù)雜度可以通過(guò)不斷的減少這些控制參數(shù)來(lái)降低。本文通過(guò)大量的實(shí)驗(yàn),用這些配置不同的網(wǎng)絡(luò)訓(xùn)練出不同的模型,并記錄下它們的性能和耗時(shí)。然后,本文建立一個(gè)數(shù)學(xué)分析式去歸納出卷積神經(jīng)網(wǎng)絡(luò)運(yùn)算復(fù)雜度和分類(lèi)精度之間的內(nèi)在聯(lián)系。通過(guò)獲取了有效的分析式,來(lái)執(zhí)行C-P的優(yōu)化工作,即在特定目標(biāo)精度的下使網(wǎng)絡(luò)的復(fù)雜度最小,或是在既定的復(fù)雜度下得到精度最大的模型。本文在兩個(gè)數(shù)據(jù)集CIFAR-10和LFW上的實(shí)驗(yàn)結(jié)果驗(yàn)證了方法的可行性,其中在人臉數(shù)據(jù)集LFW的實(shí)驗(yàn)中,通過(guò)本文的方法調(diào)整網(wǎng)絡(luò)配置,得到的最優(yōu)模型相比于基準(zhǔn)網(wǎng)絡(luò)訓(xùn)練出來(lái)的模型復(fù)雜度下降近了20倍,而精度只下降了2%。為了說(shuō)明所選擇的最優(yōu)模型的實(shí)用性,本文搭建了一個(gè)人臉性別識(shí)別實(shí)時(shí)系統(tǒng)并展示了模型在系統(tǒng)中的識(shí)別效果。
[Abstract]:This paper designs a convolution neural network as one of the deep learning algorithms , which has the characteristics of simple structure , strong adaptability , few training parameters and so on .

【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳戲墨,徐紅兵,李志銘,謝鉉洋,李曦,李揚(yáng)彬;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類(lèi)中的應(yīng)用[J];現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版);2005年01期

2 冀翠萍;孟祥增;;基于內(nèi)容的圖像分類(lèi)體系[J];電腦知識(shí)與技術(shù)(學(xué)術(shù)交流);2007年07期

3 楊杰;陳曉云;;圖像分類(lèi)方法比較研究[J];微計(jì)算機(jī)應(yīng)用;2007年06期

4 楊文潮;姜志堅(jiān);;圖像分類(lèi)技術(shù)研究[J];福建電腦;2008年08期

5 葛寒娟;邱桃榮;王劍;盧強(qiáng);李北;劉韜;聶斌;;一種基于相容信息粒原理的圖像分類(lèi)方法[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

6 王軍;王員云;;粒計(jì)算及其在圖像分類(lèi)中的應(yīng)用研究[J];計(jì)算機(jī)工程與科學(xué);2009年03期

7 吳軍;王士同;;基于正負(fù)模糊規(guī)則的相結(jié)合的圖像分類(lèi)[J];計(jì)算機(jī)應(yīng)用;2011年01期

8 吳軍;王士同;趙鑫;;正負(fù)模糊規(guī)則系統(tǒng)、極限學(xué)習(xí)機(jī)與圖像分類(lèi)[J];中國(guó)圖象圖形學(xué)報(bào);2011年08期

9 郝永寬;王威;聶維同;王德強(qiáng);;圖像分類(lèi)與聚類(lèi)分析[J];數(shù)字技術(shù)與應(yīng)用;2011年12期

10 蔣玲芳;張偉;司夢(mèng);;基于詞袋模型的電子報(bào)圖像分類(lèi)方法研究[J];信陽(yáng)師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

相關(guān)會(huì)議論文 前10條

1 鄭海紅;曾平;;一種基于圖像分類(lèi)的逆半調(diào)算法[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)議論文集[C];2004年

2 文振q;歐陽(yáng)杰;朱為總;;基于語(yǔ)義特征與支持向量機(jī)的圖像分類(lèi)[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類(lèi)技術(shù)在油品分析中的應(yīng)用[A];中國(guó)儀器儀表學(xué)會(huì)第六屆青年學(xué)術(shù)會(huì)議論文集[C];2004年

4 陳思坤;吳洪;;基于圖分塊并利用空間金字塔的醫(yī)學(xué)圖像分類(lèi)[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

5 張淑雅;趙曉宇;趙一鳴;李均利;;基于SVM的圖像分類(lèi)[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

6 李博;韓萍;;基于壓縮感知和SVM的極化SAR圖像分類(lèi)[A];第二十七屆中國(guó)（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2013年

7 朱松豪;胡娟娟;孫偉;;基于非歐空間高階統(tǒng)計(jì)的圖像分類(lèi)方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

8 潘海為;李建中;張煒;;基于像素聚類(lèi)的腦部醫(yī)學(xué)圖像分類(lèi)[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

9 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點(diǎn)特征提取的醫(yī)學(xué)圖像分類(lèi)[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 武進(jìn);尹愷;王長(zhǎng)明;張家才;;SVDM在蔬菜病害圖像分類(lèi)中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 胡堯;基于低秩矩陣估計(jì)的機(jī)器學(xué)習(xí)算法分析[D];浙江大學(xué);2015年

2 李昌英(Ri ChangYong);基于上下文信息的語(yǔ)義圖像分類(lèi)研究[D];浙江大學(xué);2014年

3 陳博;基于集成學(xué)習(xí)和特征選擇的極化SAR地物分類(lèi)[D];西安電子科技大學(xué);2015年

4 王曉東;基于稀疏特征學(xué)習(xí)的復(fù)雜圖像分類(lèi)[D];西安電子科技大學(xué);2014年

5 顧迎節(jié);面向圖像分類(lèi)的主動(dòng)學(xué)習(xí)算法研究[D];南京理工大學(xué);2015年

6 趙鑫;圖像分類(lèi)中的判別性增強(qiáng)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

7 楊冰;基于藝術(shù)風(fēng)格的繪畫(huà)圖像分類(lèi)研究[D];浙江大學(xué);2013年

8 丁建睿;基于多示例學(xué)習(xí)的淺表器官超聲圖像分類(lèi)方法研究[D];哈爾濱工業(yè)大學(xué);2012年

9 賈世杰;基于內(nèi)容的商品圖像分類(lèi)方法研究[D];大連理工大學(xué);2013年

10 李曉旭;基于概率主題模型的圖像分類(lèi)和標(biāo)注的研究[D];北京郵電大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 張明靜;基于改進(jìn)遺傳算法的分塊綜合特征加權(quán)圖像分類(lèi)研究[D];華南理工大學(xué);2015年

2 李函怡;融合主動(dòng)學(xué)習(xí)的半監(jiān)督技術(shù)在圖像分類(lèi)中的應(yīng)用研究[D];西南大學(xué);2015年

3 王亞鳳;基于多特征的主動(dòng)學(xué)習(xí)方法在圖像分類(lèi)中的應(yīng)用研究[D];河北工程大學(xué);2015年

4 陳榮安;基于改進(jìn)的Bag-of-Features模型的圖像分類(lèi)研究[D];蘭州大學(xué);2015年

5 鐘畏丹;基于HSV和紋理特征的圖像分類(lèi)[D];華中師范大學(xué);2015年

6 焦陽(yáng);基于主動(dòng)學(xué)習(xí)的多標(biāo)簽圖像分類(lèi)方法研究[D];蘇州大學(xué);2015年

7 王騰川;基于主動(dòng)學(xué)習(xí)的SAR圖像分類(lèi)方法研究[D];上海交通大學(xué);2015年

8 NGUYEN QUANG KHANH;基于極化SAR目標(biāo)信息提取與SVM分類(lèi)[D];哈爾濱工業(yè)大學(xué);2015年

9 王朔琛;基于半監(jiān)督支持向量機(jī)的圖像分類(lèi)方法研究[D];陜西師范大學(xué);2015年

10 楊東坡;基于深度學(xué)習(xí)的商品圖像分類(lèi)[D];大連交通大學(xué);2015年

，

本文編號(hào)：1832707