傳統(tǒng)的花卉識別算法主要通過手動提取特征,最終利用分類器進行訓練,其泛化能力存在一定的局限性且準確度很難突破。而“深度學習”概念的提出,吸引了很多國內外科研工作者的關注。特別在農業(yè)領域,利用深度學習技術獲取農業(yè)信息,指導農業(yè)生產(chǎn)已經(jīng)得到了廣泛的應用。目前,深度學習網(wǎng)絡已經(jīng)能夠將網(wǎng)絡深度擴大到上千層,但是當層數(shù)達到上千層后,其準確率每提高百分之一的代價都是巨大的。因此有人提出一種在準確率不變的情況下,適當減少網(wǎng)絡深度,增加寬度的架構,即寬殘差網(wǎng)絡,并取得了良好的效果。同時,使用深度學習技術研究,研究成果不能很好的展現(xiàn)在PC端和手機端,而遷移學習的核心理念即使淺層的網(wǎng)絡模型的準確率接近深層的網(wǎng)絡模型的準確率,并且能夠較好的應用于PC端與手機端。經(jīng)過實驗對比,將遷移學習和寬殘差網(wǎng)絡相結合,發(fā)揮二者的優(yōu)勢,運用較少的層數(shù)和樣本量,得到了性能最佳的網(wǎng)絡模型,并將此模型應用于花卉圖像的識別。主要內容如下:1、研究分析了花卉識別技術的現(xiàn)狀及其意義,針對遷移學習方法以及寬殘差網(wǎng)絡進行了深入的探討;2、設計對比實驗,驗證了相同的網(wǎng)絡模型不同深度之間遷移學習的優(yōu)越性;3、設計對比實驗,驗證了不同網(wǎng)絡模型之間...

【文章頁數(shù)】：43 頁

【學位級別】：碩士

【部分圖文】：

圖2-1單個編碼器訓練

-7-圖2-1單個編碼器訓練Figure2-1SingleEncoderTraining利用互聚類算法是同構空間下基于特征遷移學習的場景方法，這是同時將聚類目標數(shù)據(jù)和樣本數(shù)據(jù)進行比對，找到它們各自的共同點，從而實現(xiàn)樣本數(shù)據(jù)到目標數(shù)據(jù)的遷移[31]。像此類的方法還有很多，如自學習算....

圖2-2多個編碼器訓練

-8-圖2-2多個編碼器訓練Figure2-2Multipleencodertraining自動編碼器若經(jīng)過多層的訓練，這將會得到一個很好的特征以此來表示原始輸入的數(shù)據(jù)，為了實現(xiàn)這樣的目的，我們可在其上增加一個分類器，如支持向量機SVM和softmax回歸等[39]。利用梯度下降....

圖2-3受限玻爾茲曼機Figure2-3RestrictedBoltzmannmachine

-9-(，)=1（）（，，）=1（）∏，∏∏（3）()=∑（，，），可視層值一定，則第個隱藏層節(jié)點為１的概率如公式（4）：(=1|)=11+∑（4）圖2-4RBM訓練過程Figure2-4RBMtrainingprocess圖2-3受限玻爾茲曼機Figure2-3Restrict....

圖2-4RBM訓練過程

-9-(，)=1（）（，，）=1（）∏，∏∏（3）()=∑（，，），可視層值一定，則第個隱藏層節(jié)點為１的概率如公式（4）：(=1|)=11+∑（4）圖2-4RBM訓練過程Figure2-4RBMtrainingprocess圖2-3受限玻爾茲曼機Figure2-3Restrict....

本文編號：3965246