發(fā)布時(shí)間：2020-12-23 23:44

　　圖像識別技術(shù)是模式識別領(lǐng)域的研究熱點(diǎn)之一,其任務(wù)是利用在訓(xùn)練集上學(xué)習(xí)到的預(yù)測模型來判斷給定圖像的類別或?qū)傩浴＝陙?隨著計(jì)算機(jī)技術(shù)的發(fā)展,利用卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network,CNN）技術(shù)來學(xué)習(xí)預(yù)測模型的方法已成為了圖像識別領(lǐng)域的主流。支持向量機(jī)（Support Vector Machines,SVM）驅(qū)動的CNN模型中采用基于大間隔思想的SVM作為能量函數(shù)來指導(dǎo)CNN的學(xué)習(xí),相比于使用Softmax損失的傳統(tǒng)CNN模型,具有更強(qiáng)的泛化性能。然而,該算法忽視了特征空間中包含所有樣本的最小包含球（Minimum Enclosing Ball,MEB）的半徑對SVM泛化誤差上界的影響,這極大的限制了其泛化性能的進(jìn)一步提高。此外,該算法沒有考慮到總體樣本的分布信息,使得其難以指導(dǎo)CNN提取到更優(yōu)質(zhì)的圖像特征。針對如上的兩個(gè)不足,本文主要做了如下研究:（1）在深度模型的訓(xùn)練過程中CNN提取到的特征空間是在不斷變化的,此時(shí)SVM的泛化誤差上界不僅取決于不同類之間的分類間隔,還與特征空間中不斷變化的MEB的半徑有關(guān)。針對這一事實(shí),采用基于SVM泛化誤差界的策略來指... 

【文章來源】：西華大學(xué)四川省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
    1.3 研究目的
    1.4 本文的主要工作及章節(jié)安排
2 相關(guān)工作
    2.1 支持向量機(jī)
    2.2 支持向量機(jī)驅(qū)動的卷積神經(jīng)網(wǎng)絡(luò)
3 半徑間隔界驅(qū)動的卷積神經(jīng)網(wǎng)絡(luò)
    3.1 引言
    3.2 支持向量機(jī)的泛化誤差理論
    3.3 建立模型
    3.4 模型的更新
        3.4.1 更新最大成對距離
        3.4.2 更新分類器參數(shù)
        3.4.3 更新權(quán)重系數(shù)
    3.5 識別方法
    3.6 實(shí)驗(yàn)結(jié)果分析
        3.6.1 懲罰系數(shù)λ對模型性能的影響
        3.6.2 驗(yàn)證最大成對距離與分類間隔
    3.7 本章小結(jié)
4 最小內(nèi)類方差支持向量機(jī)驅(qū)動的卷積神經(jīng)網(wǎng)絡(luò)
    4.1 引言
    4.2 最小類內(nèi)方差支持向量機(jī)
    4.3 建立模型
    4.4 模型的更新
        4.4.1 更新分類器參數(shù)
        4.4.2 更新權(quán)重系數(shù)
    4.5 識別策略
    4.6 實(shí)驗(yàn)及分析
        4.6.1 模型在Mini-batch策略下的有效性分析
        4.6.2 懲罰系數(shù)對模型性能的影響
    4.7 本章小結(jié)
5 綜合實(shí)驗(yàn)及分析
    5.1 圖像特征的可視化比較
    5.2 識別準(zhǔn)確率與分析
    5.3 識別率增長比較
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄 論文使用的主要符號的意義
攻讀碩士學(xué)位期間發(fā)表論文及科研成果
致謝



本文編號：2934558