發(fā)布時(shí)間：2022-12-05 20:36

　　近年來,由于深度學(xué)習(xí)在圖像識(shí)別中的優(yōu)異表現(xiàn),它獲得了廣泛的研究和應(yīng)用。相對(duì)于淺層學(xué)習(xí)來說,深度學(xué)習(xí)對(duì)低層次特征逐層變化,提取出高層次特征,這使得深度學(xué)習(xí)擁有更強(qiáng)的分類能力。在已有研究中,研究者們更加關(guān)注的是如何提高算法的識(shí)別能力,關(guān)于算法魯棒性的研究卻較少。然而,在實(shí)際應(yīng)用中,算法的魯棒性是衡量一個(gè)算法好壞的重要標(biāo)準(zhǔn)之一。為增強(qiáng)深度學(xué)習(xí)算法的魯棒性,提高深度學(xué)習(xí)算法在現(xiàn)實(shí)生活中的應(yīng)用范圍,本文主要做了以下幾方面的工作:（1）為了降低當(dāng)樣本標(biāo)簽標(biāo)注錯(cuò)誤對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練帶來的負(fù)面影響,本文提出了一種訓(xùn)練前標(biāo)簽預(yù)判斷算法。在實(shí)際應(yīng)用中,深度學(xué)習(xí)的數(shù)據(jù)樣本標(biāo)簽由人工標(biāo)注,但標(biāo)簽有可能被標(biāo)注錯(cuò)誤。本文提出的訓(xùn)練前標(biāo)簽預(yù)判斷算法在訓(xùn)練前判斷是否要將樣本標(biāo)簽進(jìn)行修改后再訓(xùn)練網(wǎng)絡(luò)以減少標(biāo)簽標(biāo)注錯(cuò)誤的樣本。實(shí)驗(yàn)表明,該算法能有效降低錯(cuò)誤標(biāo)簽對(duì)神經(jīng)網(wǎng)絡(luò)的危害,提高深度學(xué)習(xí)圖片識(shí)別的魯棒性。（2）提出了一種樣本分類訓(xùn)練方法,不同于Minibatch隨機(jī)梯度下降法,本方法在神經(jīng)網(wǎng)絡(luò)經(jīng)過一定的訓(xùn)練,具有對(duì)圖像的初步分類能力后,利用神經(jīng)網(wǎng)絡(luò)現(xiàn)有的分類能力,結(jié)合信息熵,將圖像分為簡(jiǎn)單樣本和迷惑樣本,并將其分別放入簡(jiǎn)... 

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與研究意義
    1.2 研究現(xiàn)狀
        1.2.1 圖像識(shí)別研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
    1.3 論文研究?jī)?nèi)容與結(jié)構(gòu)
第二章 深度學(xué)習(xí)相關(guān)技術(shù)
    2.1 圖像識(shí)別
        2.1.1 圖像識(shí)別的流程
        2.1.2 特征提取
    2.2 人工神經(jīng)網(wǎng)絡(luò)
        2.2.1 神經(jīng)元
        2.2.2 人工神經(jīng)網(wǎng)絡(luò)
    2.3 深度學(xué)習(xí)
        2.3.1 深度網(wǎng)絡(luò)的分類
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
第三章 訓(xùn)練前標(biāo)簽預(yù)判斷算法
    3.1 引言
    3.2 相關(guān)技術(shù)
        3.2.1 前向傳播
        3.2.2 Softmax歸一化函數(shù)
    3.3 訓(xùn)練前標(biāo)簽預(yù)判斷算法
        3.3.1 算法流程
        3.3.2 數(shù)學(xué)證明
    3.4 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第四章 樣本分類訓(xùn)練算法
    4.1 引言
    4.2 相關(guān)技術(shù)
        4.2.1 Minibatch隨機(jī)梯度下降法
        4.2.2 信息熵
    4.3 樣本分類訓(xùn)練方法
        4.3.1 樣本分類
        4.3.2 算法流程
    4.4 實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第五章 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    5.1 系統(tǒng)結(jié)構(gòu)
        5.1.1 模塊功能
        5.1.2 工作流程
    5.2 系統(tǒng)實(shí)現(xiàn)
        5.2.1 硬件環(huán)境
        5.2.2 軟件環(huán)境
        5.2.3 系統(tǒng)界面
    5.3 系統(tǒng)運(yùn)行效果
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間申請(qǐng)的專利
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]深度強(qiáng)化學(xué)習(xí)綜述:兼論計(jì)算機(jī)圍棋的發(fā)展[J]. 趙冬斌,邵坤,朱圓恒,李棟,陳亞冉,王海濤,劉德榮,周彤,王成紅.  控制理論與應(yīng)用. 2016(06)
[2]基于deep learning的語音識(shí)別[J]. 張炯,陶智勇.  電子設(shè)計(jì)工程. 2015(18)
[3]連續(xù)屬性完全貝葉斯分類器的學(xué)習(xí)與優(yōu)化[J]. 王雙成,杜瑞杰,劉穎.  計(jì)算機(jī)學(xué)報(bào). 2012(10)
[4]基于改進(jìn)顏色直方圖映射的目標(biāo)跟蹤算法[J]. 史東承,朱龍,王楠,邢亞書.  計(jì)算機(jī)仿真. 2010(11)
[5]基于C4.5決策樹的流量分類方法[J]. 徐鵬,林森.  軟件學(xué)報(bào). 2009(10)
[6]圖像紋理特征提取方法綜述[J]. 劉麗,匡綱要.  中國圖象圖形學(xué)報(bào). 2009(04)
[7]基于顏色量化與聚類的圖像檢索算法[J]. 楊曉強(qiáng).  微計(jì)算機(jī)信息. 2008(12)
[8]基于車牌顏色變化劇烈特征的彩色車牌定位新方法[J]. 趙海燕,裴志利,黃靜,康曙光,劉憲德.  內(nèi)蒙古民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2002(06)



本文編號(hào)：3710310