近年來,人工智能相關(guān)領(lǐng)域再次進入了人們的視野,得到了學(xué)術(shù)界、工業(yè)界的共同關(guān)注,成為了當前國際競爭的新焦點。在眾多人工智能應(yīng)用當中,圖像目標識別和檢測是關(guān)鍵技術(shù),也是計算機視覺領(lǐng)域的熱點研究課題。目標識別的核心任務(wù)是判別圖像中的目標類型(分類問題),而檢測問題通�？蓺w約為給定圖片下的多目標識別問題。目標識別問題通常采用機器學(xué)習(xí)算法解決,在圖像特征上訓(xùn)練分類模型。因此設(shè)計魯棒的、表達能力強的特征是目標識別的關(guān)鍵和重要研究內(nèi)容。也因此,特征提取算法成為了計算機視覺眾多應(yīng)用領(lǐng)域的關(guān)鍵共性技術(shù)。隨著深度學(xué)習(xí)技術(shù)的突破,以卷積神經(jīng)網(wǎng)絡(luò)進行特征學(xué)習(xí)逐漸取代了以專家知識和經(jīng)驗驅(qū)動的手工設(shè)計特征,成為了處理圖像目標識別和檢測任務(wù)的基本方法。但這也同時引入了一些新的挑戰(zhàn),具有代表性的是,更有效的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計、利于訓(xùn)練深層網(wǎng)絡(luò)的優(yōu)化方法,和變換不變的卷積特征表示。針對上述挑戰(zhàn)性問題,論文以卷積神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)為切入點展開研究,在神經(jīng)網(wǎng)絡(luò)的功能單元,權(quán)重初始化方法及特征不變性三個方面進行深入分析和探討。論文的主要研究內(nèi)容和創(chuàng)新工作如下:1.針對現(xiàn)有非線性單元由于數(shù)學(xué)性質(zhì)差異而產(chǎn)生的表達鴻溝問題,提出了一種參...

【文章頁數(shù)】：117 頁

【學(xué)位級別】：博士

【部分圖文】：

圖１－１卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的演進及其在目標檢測中的應(yīng)用????表１－１目標檢測中常用的特征提取算法???

ＲｅｓＮｅｔ?的改進結(jié)構(gòu)，具有代表性的是?Ｐｒｅ－ＲｅｓＮｅｔ［３７］，?Ｉｎｃｅｐｔｉｏｎ－ＲｅｓＮｅｔ［３８］，??ＲｅｓＮｅｘｔ［３９］，?ＤｅｎｓｅＮｅｔ＿，?ＳＥ－Ｎｅｔ［４１】等。??圖１－１展示了卷積神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)結(jié)構(gòu)方面的進展研究，以及引申出的目??標檢測方法的演....

圖１－３目標識別和檢測與本文研究內(nèi)容及切入點的對應(yīng)關(guān)系??

?北京郵電大學(xué)博士學(xué)位論文???提高特征表達能力。與同類方法相比具有更好的泛化能力和靈活性。本部分工作??的主要創(chuàng)新和貢獻在于：??１）提出了一種變換不變表示學(xué)習(xí)框架，對多種空間變換具有不變性??２）該框架統(tǒng)一了數(shù)據(jù)增廣和變換不變最大池化算法，因而能共享二者的優(yōu)??勢和特性??３....

圖２－１卷枳神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)圖??網(wǎng)絡(luò)結(jié)構(gòu)或拓撲對卷積神經(jīng)網(wǎng)絡(luò)的泛化性能有直接影響

積神經(jīng)網(wǎng)絡(luò)近年來有較大的發(fā)展和結(jié)構(gòu)上的改進，但其主要的功能單元并未發(fā)生??改變。卷積神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上主要包括卷積層、池化層（ｐｏｏｌｉｎｇ）、非線性單元、??ｓｏｆｔｍａｘ層和損失函數(shù)，如圖２－１所不。其中全連接層（Ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒ，??ＦＣ）可以看做卷....

圖２－２卷積計算過程平面圖，以及７層卷積神經(jīng)網(wǎng)絡(luò)在ＣＩＦＡＲ－１０上訓(xùn)練后第一個??卷積層的６４個３ｘ３卷積核的可視化

積神經(jīng)網(wǎng)絡(luò)近年來有較大的發(fā)展和結(jié)構(gòu)上的改進，但其主要的功能單元并未發(fā)生??改變。卷積神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上主要包括卷積層、池化層（ｐｏｏｌｉｎｇ）、非線性單元、??ｓｏｆｔｍａｘ層和損失函數(shù)，如圖２－１所不。其中全連接層（Ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒ，??ＦＣ）可以看做卷....

本文編號：3971315