在人臉圖像分類識(shí)別領(lǐng)域,相較于傳統(tǒng)的機(jī)器學(xué)習(xí)法而言,卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）能夠更好地自主捕獲圖像中的潛在特征,替代了以往需要人工進(jìn)行捕獲的手段,進(jìn)而取得了廣泛的應(yīng)用。尤其是在2012年出現(xiàn)Alex Net神經(jīng)網(wǎng)絡(luò)之后,深度CNN為圖像領(lǐng)域帶來了深刻的變革,它可以提取到更深層次的抽象特征,這會(huì)幫助它極大地提升模型的分類、識(shí)別的準(zhǔn)確率。但是,這同樣也會(huì)帶來一些問題,主要的缺點(diǎn)在于它會(huì)使得參數(shù)量變得巨大,訓(xùn)練非常耗時(shí)。如今完善的建模理論還沒有面世,關(guān)于網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)一步優(yōu)化也有待于解決,并且筆者發(fā)現(xiàn)網(wǎng)絡(luò)訓(xùn)練過程中采用的算法有著明顯的局限性,這些都會(huì)對(duì)網(wǎng)絡(luò)模型產(chǎn)生影響。本文將就CNN模型結(jié)構(gòu)展開探索,希望能夠?qū)υ撃Ｐ偷挠?xùn)練過程進(jìn)行優(yōu)化,從而實(shí)現(xiàn)高效CNN模型的構(gòu)建,并將該模型遷移學(xué)習(xí)到新的應(yīng)用場(chǎng)景中。具體的研究內(nèi)容如下:（1）本文首先分析研究了VGGNet網(wǎng)絡(luò)模型的結(jié)構(gòu)和參數(shù),選取了最為常用且高效的VGG-16作為改進(jìn)模型的原型。在VGG-16卷積部分的最后加入多尺度采樣層（Multi-scale Sampling Layer）,使得模型... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LeNet-5卷積神經(jīng)網(wǎng)絡(luò)

神經(jīng)元在整個(gè)網(wǎng)絡(luò)系統(tǒng)中處于基層，是構(gòu)建一個(gè)網(wǎng)絡(luò)系統(tǒng)的最基礎(chǔ)部分，通常它是一個(gè)能夠?qū)崿F(xiàn)多個(gè)輸入而單個(gè)輸出的結(jié)構(gòu)，其結(jié)構(gòu)表示如圖 2.1 所示。圖2.1 神經(jīng)元模型其中，xi代表神經(jīng)元的輸入；{x1，x2，。。。xn}表示有 n 個(gè)數(shù)據(jù)輸入進(jìn)了神經(jīng)元 j；ωij表示輸入信號(hào) xi與神經(jīng)元 j 連接的權(quán)值；bi表示內(nèi)部狀態(tài)的偏置值，yi為神經(jīng)元的輸出，可以用一個(gè)非線性模型的表達(dá)式（2-1）來表示這個(gè)連接：（2-1）(())1 niiiiijy fbx

一般比單層神經(jīng)元的結(jié)構(gòu)復(fù)雜，隱含層和輸出端數(shù)量都相對(duì)較多，可以解決線性不可分的問題，如圖 2.2 所示為一種類型的多層感知器結(jié)構(gòu)：圖2.2 多層感知器結(jié)構(gòu)圖輸入層神經(jīng)元負(fù)責(zé)接受來自外界的相關(guān)信號(hào)，第 1 隱含層與其對(duì)應(yīng)的輸入層相互連接，同一層神經(jīng)元之間不連接，最后一層隱含層神經(jīng)元與輸出層神經(jīng)元全接連。圖2-2 中，箭頭所指的方向表示的是各單元連接和輸出的方向，不同的連接處分別對(duì)應(yīng)

【參考文獻(xiàn)】：
期刊論文
[1]混合PSO優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)[J]. 唐賢倫,劉慶,張娜,周家林.  電子科技大學(xué)學(xué)報(bào). 2018(02)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別技術(shù)綜述[J]. 景晨凱,宋濤,莊雷,劉剛,王樂,劉凱倫.  計(jì)算機(jī)應(yīng)用與軟件. 2018(01)
[3]基于數(shù)據(jù)源分析的數(shù)據(jù)增強(qiáng)方法[J]. 彭琮,曹建軍,吳凡,溫俊.  兵工自動(dòng)化. 2017(12)
[4]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J]. 王琳,趙耀,余靜華,陳曦.  農(nóng)村經(jīng)濟(jì)與科技. 2017(14)
[5]多任務(wù)學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別中的應(yīng)用[J]. 邵蔚元,郭躍飛.  計(jì)算機(jī)工程與應(yīng)用. 2016(13)
[6]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報(bào). 2015(01)
[7]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計(jì)算機(jī)研究與發(fā)展. 2013(09)
[8]粒子群優(yōu)化算法綜述[J]. 楊維,李歧強(qiáng).  中國工程科學(xué). 2004(05)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉性別識(shí)別研究[D]. 裴子龍.山西師范大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的視覺識(shí)別研究[D]. 薛昆南.華南農(nóng)業(yè)大學(xué) 2016
[3]基于粒子群算法的LeNet-5卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化研究[D]. 向展.華中科技大學(xué) 2016



本文編號(hào)：3005481