近年來,深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域的快速發(fā)展,以及人工智能技術(shù)的進(jìn)步,使得深度學(xué)習(xí)成為人工智能領(lǐng)域的熱點(diǎn)方向。其中,卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)模型算法中最成功的算法之一,它具有權(quán)值共享,稀疏連接,網(wǎng)絡(luò)結(jié)構(gòu)更類似于生物神經(jīng)網(wǎng)絡(luò)等優(yōu)點(diǎn)。本文通過對卷積神經(jīng)網(wǎng)絡(luò)算法在圖像分類上的應(yīng)用研究,對模型進(jìn)行優(yōu)化和改進(jìn),在深度學(xué)習(xí)框架（Caffe、Keras）上構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型,并在相關(guān)公開數(shù)據(jù)集上驗(yàn)證其方法的有效性。論文主要從參數(shù)優(yōu)化和模型改進(jìn)兩個方面對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行相關(guān)研究。（1）參數(shù)優(yōu)化針對卷積神經(jīng)網(wǎng)絡(luò)的卷積核大小、池化方式和大小、卷積層數(shù)等優(yōu)化策略,本文在深度學(xué)習(xí)框架Caffe中構(gòu)造Brief-Net模型。該模型同AelxNet,CaffeNet相比采用較小的首層卷積核,并且結(jié)構(gòu)更加精簡,在相關(guān)圖像數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,本文優(yōu)化的Brief-Net具有更高的圖像分類正確率。除此之外,本文還通過實(shí)驗(yàn)驗(yàn)證Brief-Net模型的首層卷積核最優(yōu)大小為9。（2）模型改進(jìn)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）通常會丟棄負(fù)值特征信息,針對CNN更好地學(xué)習(xí)圖像特征的問題,對傳統(tǒng)的CNN模型進(jìn)行改進(jìn),提出Supplem... 

【文章來源】：成都信息工程大學(xué)四川省

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

MCP人工神經(jīng)元模型

Layer L1圖 2-1 自編碼神經(jīng)網(wǎng)絡(luò)經(jīng)網(wǎng)絡(luò)主要學(xué)習(xí)一個h ( x )= x的函數(shù)，數(shù)據(jù)經(jīng)，盡量確保輸出結(jié)果與輸入的數(shù)據(jù)相等，即隱含。假設(shè)輸入層 L1 的神經(jīng)元共有 100 個，隱含層

jj=1函數(shù)設(shè)為，(W =,b ) J (W ,b )+ b θ( )( )1121 s s( ) ( ) ( )1 1 1 121 s s(i) (i) 2 ( )1 1 1 1( ; , ) W21( ) W2 2l l ll l lnmi i ljii l i jnmlw,b ji l i jJ W,b x y||h x -y ||ll++ = = = = = = + + ∑ ∑∑∑∑ ∑∑∑θ 的權(quán)重，通過反向梯度求導(dǎo)算法求得值，即局部最優(yōu)解。下：非監(jiān)督學(xué)習(xí)方法進(jìn)行特征的學(xué)習(xí)。如圖prediction


本文編號：2950165