發(fā)布時(shí)間：2021-11-13 06:03

　　植物是我們?nèi)粘Ｉ钪须S處可見的一種生命形式,它為我們提供了生活所必需的氧氣,與我們的生活息息相關(guān)[1]�；ɑ茏鳛橹参锏囊环N,除了提供氧氣,它更是有很強(qiáng)的觀賞價(jià)值。我校作為一所有著百年歷史的農(nóng)業(yè)類院校,校園中的植物種類更是數(shù)不甚數(shù),其中花卉作為這些植物中的一大亮點(diǎn),也引起了廣泛的關(guān)注。這就使得對花卉的認(rèn)知顯得尤為重要。近年來,幾乎所有的智能科學(xué)研究者都注意到了一個(gè)神秘的技術(shù)名詞——深度學(xué)習(xí)（Deep Learning）。這個(gè)名詞和它所代表的尖端技術(shù)被著名的“麻省理工學(xué)院技術(shù)評論”評選為2013年世界十大突破性技術(shù)之首。而在此之前,諸多信息科技巨頭,包括Google、Microsoft、Facebook等公司,都紛紛投入了前所未有的注意力和戰(zhàn)略資源在這項(xiàng)技術(shù)上,高調(diào)宣布部署智能應(yīng)用領(lǐng)域。工業(yè)界和學(xué)術(shù)界也在不遺余力地對這一技術(shù)進(jìn)行研究探索[2]。本文從山西農(nóng)業(yè)大學(xué)校園內(nèi)常見的花卉入手,探索了基于深度學(xué)習(xí)技術(shù)的花卉識(shí)別方法。該方法以卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ),構(gòu)建了一種模擬視覺感知原理的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),通過無監(jiān)督學(xué)習(xí)的方式學(xué)習(xí)花卉本質(zhì)特征來對花卉進(jìn)行分類。本文提出的算法主要針對山西農(nóng)業(yè)大學(xué)校園內(nèi)... 

【文章來源】：山西農(nóng)業(yè)大學(xué)山西省

【文章頁數(shù)】：42 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１棧式自動(dòng)編碼器模型??Ｆｉｕｒｅ?２－１?ｓｔａｃｋ?ａｕｔｏｍａｔｉｃ?ｅｎｃｏｄｅｒ?ｍｏｄｅｌ??

消噪自動(dòng)編碼器模型被很多常見的ＳＡＥ模型作為基本模塊？。其主要思想??是，用原始輸入ｘ的退化版本７作為輸入進(jìn)行編碼得到結(jié)果ｙ，企圖在訓(xùn)練中用ｙ重建??原始信號(hào)ｘ�；驹砣鐖D２－３。通過對７的學(xué)習(xí)，能夠極大地增強(qiáng)自動(dòng)編碼器模型的??魯棒性和推廣能力。因?yàn)橥ㄟ^對７的學(xué)習(xí)，不僅僅能得到退化的數(shù)據(jù)點(diǎn)本身，還能得到??數(shù)據(jù)點(diǎn)的空間布局鄰域。??－７?－??

?Ｕｎｒｏｌｌｉｎｇ?Ｆｌｎｅ－ｔｖｎｌｎｇ??圖２－２?ＳＡＥ的預(yù)訓(xùn)練、展開和微調(diào)??Ｆｉｇｕｒｅ?２－２?ＳＡＥ?ｐｒｅ－ｔｒａｉｎｉｎｇ，?ｅｘｐａｎｓｉｏｎ?ａｎｄ?ｆｉｎｅ?ｔｕｎｉｎｇ??近年來，消噪自動(dòng)編碼器模型被很多常見的ＳＡＥ模型作為基本模塊？。其主要思想??是，用原始輸入ｘ的退化版本７作為輸入進(jìn)行編碼得到結(jié)果ｙ，企圖在訓(xùn)練中用ｙ重建??原始信號(hào)ｘ�；驹砣鐖D２－３。通過對７的學(xué)習(xí)，能夠極大地增強(qiáng)自動(dòng)編碼器模型的??魯棒性和推廣能力。因?yàn)橥ㄟ^對７的學(xué)習(xí)，不僅僅能得到退化的數(shù)據(jù)點(diǎn)本身，還能得到??數(shù)據(jù)點(diǎn)的空間布局鄰域。??－７?－??

【參考文獻(xiàn)】：
期刊論文
[1]谷歌TensorFlow機(jī)器學(xué)習(xí)框架及應(yīng)用[J]. 章敏敏,徐和平,王曉潔,周夢昀,洪淑月.  微型機(jī)與應(yīng)用. 2017(10)
[2]一種卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法[J]. 劉晨,曲長文,周強(qiáng),李智.  艦船電子工程. 2017(05)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[4]受限玻爾茲曼機(jī)的稀疏化特征學(xué)習(xí)[J]. 康麗萍,許光鑾,孫顯.  計(jì)算機(jī)科學(xué). 2016(12)
[5]基于葉片圖像處理和稀疏表示的植物識(shí)別方法[J]. 李萍,張波,張善文.  江蘇農(nóng)業(yè)科學(xué). 2016(09)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)探討深度學(xué)習(xí)算法與應(yīng)用[J]. 高強(qiáng),靳其兵,程勇.  電腦知識(shí)與技術(shù). 2015(13)
[7]基于梯度的多輸入卷積神經(jīng)網(wǎng)絡(luò)[J]. 費(fèi)建超,芮挺,周遊,方虎生,朱會(huì)杰.  光電工程. 2015(03)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片分類[J]. 龔丁禧,曹長榮.  計(jì)算機(jī)與現(xiàn)代化. 2014(04)
[9]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)
[10]自動(dòng)識(shí)別應(yīng)用在互聯(lián)網(wǎng)上崛起[J]. 劉環(huán)宇.  中國自動(dòng)識(shí)別技術(shù). 2013(04)

碩士論文
[1]基于深度學(xué)習(xí)的植物圖像集識(shí)別技術(shù)研究[D]. 劉孟南.華僑大學(xué) 2017
[2]基于深度學(xué)習(xí)的快速目標(biāo)檢測技術(shù)研究[D]. 王震.天津理工大學(xué) 2017
[3]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)算法的研究與應(yīng)用[D]. 王飛飛.南京郵電大學(xué) 2016
[4]基于全噪聲自動(dòng)編碼器的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[D]. 夏林.武漢科技大學(xué) 2016
[5]深度學(xué)習(xí)算法在車牌識(shí)別系統(tǒng)中的應(yīng)用[D]. 劉崢強(qiáng).電子科技大學(xué) 2016
[6]基于Caffe深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)研究[D]. 楊楠.河北師范大學(xué) 2016
[7]卷積神經(jīng)網(wǎng)字符識(shí)別算法研究[D]. 吳香蓮.電子科技大學(xué) 2016
[8]基于深度學(xué)習(xí)的圖像識(shí)別算法研究[D]. 豐曉霞.太原理工大學(xué) 2015
[9]基于稀疏表示的植物葉片分類識(shí)別研究[D]. 李建武.長安大學(xué) 2014
[10]深度學(xué)習(xí)在圖像語義分類中的應(yīng)用[D]. 杜騫.華中師范大學(xué) 2014



本文編號(hào)：3492467