【摘要】：隨著軟硬件技術的飛速發(fā)展和大數(shù)據(jù)時代的到來,深度學習技術在越來越多的領域中取得了突破性成果。而其中的卷積神經(jīng)網(wǎng)絡受生物視覺系統(tǒng)啟發(fā),將深度學習思想引入到神經(jīng)網(wǎng)絡之中,依靠自身具備的局部感受野、參數(shù)共享、降采樣和稀疏連接等特點,近年來已成為計算機視覺領域和人工智能領域中相對活躍的研究方向。本文結合圖像的自身特點,在卷積神經(jīng)網(wǎng)絡理論的基礎上,論述了用于圖像分類識別任務的卷積神經(jīng)網(wǎng)絡模型的構造方法、遷移訓練、優(yōu)化算法和分類識別性能,其主要的工作內容如下:(1)多數(shù)識別方法常將圖像識別任務分割為特征提取和分類識別兩個階段,識別過程中往往涉及到繁雜的圖像預處理和人工標記特征設計,考慮到需要充分保留圖像的原始特征信息,利用卷積神經(jīng)網(wǎng)絡構建了一個11層端到端的圖像分類識別模型。該識別模型可以從原始圖像中進行特征自學習,設計的分層結構將傳統(tǒng)方法中的特征提取和分類識別兩個階段串聯(lián)融合在一起,可以進行端到端的分類識別。最后將該模型應用到自然場景下的車牌字符識別任務上,對比實驗驗證了該卷積模型集特征自學習和高效分類識別于一體的應用性能。(2)針對深度卷積網(wǎng)絡訓練過程中常出現(xiàn)的過擬合問題,構造了若干個具有不同特征提取層的深度卷積模型,分析討論了圖像數(shù)據(jù)增強變換、卷積核的尺寸、梯度下降訓練優(yōu)化算法以及Dropout丟棄層等模型調參方法對過擬合問題的影響,在不同參數(shù)的模型訓練損失對比實驗上,驗證了最優(yōu)識別模型的抗過擬合性。(3)針對訓練數(shù)據(jù)不足的小樣本量圖像識別問題,提出了基于卷積神經(jīng)網(wǎng)絡的遷移學習方法。借助大規(guī)模數(shù)據(jù)集上的預訓練模型,根據(jù)源數(shù)據(jù)域與目標數(shù)據(jù)域數(shù)據(jù)內容的差異,將源數(shù)據(jù)域中的預訓練模型分別遷移到域內同構和域間異構的小規(guī)模圖像數(shù)據(jù)集上,凍結不同層的訓練參數(shù),微調整個網(wǎng)絡,并在部分小樣本量的公共數(shù)據(jù)集和自建小規(guī)模車牌字符數(shù)據(jù)集上驗證了提出方法的實驗效果。
[Abstract]:With the rapid development of software and hardware technology and the arrival of big data era, the in-depth learning technology has made a breakthrough in more and more fields. The convolutional neural network is inspired by the biological vision system, and the deep learning idea is introduced into the neural network, which depends on its own characteristics of local receptive field, parameter sharing, de-sampling and sparse connection, etc. In recent years, it has become a relatively active research direction in the field of computer vision and artificial intelligence. Based on the theory of convolution neural network, this paper discusses the construction method, migration training, optimization algorithm and classification recognition performance of the convolution neural network model for image classification and recognition. The main work is as follows: (1) most recognition methods often divide the image recognition task into two stages: feature extraction and classification recognition. The recognition process often involves complicated image preprocessing and artificial label feature design. Considering the need to fully retain the original feature information of the image, an 11-layer end-to-end image classification and recognition model is constructed by using convolution neural network. The recognition model can be used for feature self-learning from the original image. The designed hierarchical structure combines the two stages of feature extraction and classification recognition in the traditional method in series and can be used for end-to-end classification recognition. Finally, the model is applied to the license plate character recognition task in the natural scene. The experimental results show that the convolutional model can be used to integrate feature self-learning and efficient classification recognition. (2) the over-fitting problem in the training process of deep convolution network is discussed. Several depth convolution models with different feature extraction layers are constructed, and the effects of image data enhancement transformation, size of convolution kernel, gradient descent training optimization algorithm and Dropout dropping layer on overfitting are discussed. In contrast experiments of model training loss with different parameters, the anti-overfitting of the optimal recognition model is verified. (3) aiming at the problem of small sample size image recognition with insufficient training data, a transfer learning method based on convolution neural network is proposed. According to the difference between source data domain and target data domain data content, the pre-training model in source data domain is migrated to small scale image data set with isomorphism and heterogeneity in domain, according to the pre-training model on large-scale data set. The training parameters of different layers are frozen, the whole network is fine-tuned, and the experimental results of the proposed method are verified on some common data sets with small sample sizes and self-built small license plate character data sets.
【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP183

【相似文獻】

相關期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡技術讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡來自于仿生學[J];物理;2001年10期

3 唐春明,高協(xié)平;進化神經(jīng)網(wǎng)絡的研究進展[J];系統(tǒng)工程與電子技術;2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡的煤炭調運優(yōu)化方法[J];長沙鐵道學院學報;2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡及其應用研究[J];計算機工程與應用;2004年21期

6 王凡,孟立凡;關于使用神經(jīng)網(wǎng)絡推定操作者疲勞的研究[J];人類工效學;2004年03期

7 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡[J];統(tǒng)計教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補償神經(jīng)網(wǎng)絡及其應用研究[J];微計算機信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡在股票市場預測中的應用[J];軟件導刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡的過去談科學發(fā)展觀[J];重慶三峽學院學報;2006年03期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡的新機遇——紀念中國神經(jīng)網(wǎng)絡10周年[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡與圖論[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產品的神經(jīng)網(wǎng)絡釋用預報應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡[N];科技日報;2011年

7 記者 鄭曉春;以開發(fā)出計算機圖像識別新技術[N];科技日報;2007年

8 沈曉光邋編譯;半導體技術向低耗能發(fā)展[N];中國電子報;2008年

9 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

10 劉力;我半導體神經(jīng)網(wǎng)絡技術及應用研究達國際先進水平[N];中國電子報;2001年

相關博士學位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡的混沌性及幾類時滯神經(jīng)網(wǎng)絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關鍵技術研究[D];東南大學;2015年

相關碩士學位論文 前10條

1 段萌;基于卷積神經(jīng)網(wǎng)絡的圖像識別方法研究[D];鄭州大學;2017年

2 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡與高校效益預測的研究[D];華南理工大學;2015年

3 賈文靜;基于改進型神經(jīng)網(wǎng)絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

4 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

5 陳彥至;神經(jīng)網(wǎng)絡降維算法研究與應用[D];華南理工大學;2015年

6 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡研究[D];西南大學;2015年

7 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡的遙感圖像分類研究[D];昆明理工大學;2015年

8 李志杰;基于神經(jīng)網(wǎng)絡的上證指數(shù)預測研究[D];華南理工大學;2015年

9 陳少吉;基于神經(jīng)網(wǎng)絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

10 張韜;幾類時滯神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：2429641