本文關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的研究與應(yīng)用

  更多相關(guān)文章： 圖像識(shí)別 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 樣本選擇 人臉識(shí)別

【摘要】：隨著4G移動(dòng)通信技術(shù)和智能手機(jī)的發(fā)展,基于圖像的信息交流已成為我們?nèi)粘Ｉ畈豢苫蛉钡囊徊糠�。圖像以其直觀、豐富的信息傳遞特點(diǎn),在給我們生活帶來(lái)便利的同時(shí),也帶來(lái)了更大的挑戰(zhàn)。由于人們無(wú)法對(duì)圖片記錄的信息進(jìn)行快速檢索,因此基于計(jì)算機(jī)的圖像識(shí)別技術(shù)就顯得至關(guān)重要。目前基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)算法在圖像識(shí)別領(lǐng)域取得了不錯(cuò)的效果,但也存在不少需要解決的問(wèn)題。本文在閱讀國(guó)內(nèi)外相關(guān)研究文獻(xiàn)的基礎(chǔ)上,主要做了以下幾點(diǎn)工作:針對(duì)圖像訓(xùn)練集中大量冗余樣本導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn)題,本文提出一種訓(xùn)練樣本選擇方法:通過(guò)最近點(diǎn)對(duì)來(lái)選取邊界樣本,利用余弦相似度作為向量之間遠(yuǎn)近程度的度量標(biāo)準(zhǔn),利用單位化簡(jiǎn)化樣本選擇過(guò)程的計(jì)算復(fù)雜性。實(shí)驗(yàn)結(jié)果表明,樣本選擇算法不僅可以剔除訓(xùn)練集中的冗余樣本,減少訓(xùn)練樣本個(gè)數(shù),而且可以使網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率得以保持。針對(duì)現(xiàn)有人臉識(shí)別算法人工提取特征復(fù)雜的問(wèn)題,本文將卷積神經(jīng)網(wǎng)絡(luò)引入人臉識(shí)別任務(wù),根據(jù)ORL人臉圖像的尺寸和類別特點(diǎn),設(shè)計(jì)簡(jiǎn)易的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并將卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)人臉識(shí)別算法相比較。實(shí)驗(yàn)結(jié)果表明,基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法在ORL數(shù)據(jù)集上的識(shí)別效果優(yōu)于幾種經(jīng)典的人臉識(shí)別算法。針對(duì)卷積神經(jīng)網(wǎng)絡(luò)卷積層卷積核個(gè)數(shù)以及學(xué)習(xí)率的選取目前沒(méi)有數(shù)學(xué)理論指導(dǎo)的問(wèn)題,本文通過(guò)分別改變卷積層的卷積核個(gè)數(shù),設(shè)置不同的學(xué)習(xí)率取值,構(gòu)造不同的網(wǎng)絡(luò)結(jié)構(gòu),在ORL人臉數(shù)據(jù)庫(kù)上進(jìn)行大量實(shí)驗(yàn)與分析。實(shí)驗(yàn)結(jié)果表明,卷積核個(gè)數(shù)以及學(xué)習(xí)率與網(wǎng)絡(luò)最終的識(shí)別效果均不成正比。
【學(xué)位授予單位】：中國(guó)民航大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP183

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 郭晨晨;朱紅康;;一種改進(jìn)的支持向量機(jī)模型研究[J];陜西科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年02期

2 越琳;高麗燕;;直方圖分割耦合裁剪控制均衡化的圖像增強(qiáng)算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2017年02期

3 鹿琛;王姍珊;;基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別方法[J];山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年01期

4 李小雨;黃昶;程愛(ài)靈;;形狀特征提取的研究綜述[J];信息通信;2017年02期

5 高聰;王福龍;;基于模板匹配和局部HOG特征的車牌識(shí)別算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2017年01期

6 龍海強(qiáng);譚臺(tái)哲;;基于深度卷積網(wǎng)絡(luò)算法的人臉識(shí)別方法研究[J];計(jì)算機(jī)仿真;2017年01期

7 段紅燕;邵豪;張淑珍;張曉宇;王小宏;;一種基于Canny算子的圖像邊緣檢測(cè)改進(jìn)算法[J];上海交通大學(xué)學(xué)報(bào);2016年12期

8 李楚進(jìn);付澤正;;對(duì)樸素貝葉斯分類器的改進(jìn)[J];統(tǒng)計(jì)與決策;2016年21期

9 何春;;人臉識(shí)別技術(shù)綜述[J];智能計(jì)算機(jī)與應(yīng)用;2016年05期

10 高榮芳;吉春旭;程國(guó)建;;從淺層網(wǎng)絡(luò)到深度網(wǎng)絡(luò)的圖像分類研究綜述[J];計(jì)算機(jī)與數(shù)字工程;2016年10期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 豐曉霞;基于深度學(xué)習(xí)的圖像識(shí)別算法研究[D];太原理工大學(xué);2015年

2 施維劏;門限玻爾茲曼機(jī)在人臉識(shí)別中的魯棒性研究[D];北京交通大學(xué);2015年

3 許可;卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D];浙江大學(xué);2012年

，

本文編號(hào)：1306257