基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別.pdf

1、Deep Learning是機(jī)器學(xué)習(xí)研究的新領(lǐng)域，掀起了機(jī)器學(xué)習(xí)的新浪潮，在各個(gè)行業(yè)都受到了廣泛的關(guān)注。Google Brain項(xiàng)目、微軟全自動(dòng)同聲傳譯系統(tǒng)、百度研究院等都是deep learning技術(shù)發(fā)展的見(jiàn)證。隨著大數(shù)據(jù)和深度模型時(shí)代的來(lái)臨，deep learning技術(shù)也得到了廣泛的重視和發(fā)展，它帶來(lái)的技術(shù)進(jìn)步也必將改變?nèi)藗兊纳睢ｋS著機(jī)器學(xué)習(xí)領(lǐng)域的發(fā)展，最近幾年對(duì)卷積神經(jīng)網(wǎng)絡(luò)的研究也越發(fā)深入。現(xiàn)在卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛的應(yīng)用到各

2、種領(lǐng)域，并取得了巨大的成果。
　　卷積神經(jīng)網(wǎng)絡(luò)是在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來(lái)的一種高效的識(shí)別算法。典型的卷積網(wǎng)絡(luò)結(jié)構(gòu)是由LeCnn提出的LeNet-5，它包含多個(gè)階段的卷積和抽樣過(guò)程，然后將提取到的特征輸入到全連接層進(jìn)行分類結(jié)果的計(jì)算。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)特征提取和特征映射過(guò)程，能夠較好的學(xué)習(xí)到圖像中的不變特征?，F(xiàn)在研究人員在典型的LeNet5的基礎(chǔ)上，使用多種方法改善卷積網(wǎng)絡(luò)的結(jié)構(gòu)和性能，從而提高網(wǎng)絡(luò)的通用性和對(duì)圖像的識(shí)別效果。<

3、br>　　本文結(jié)合圖像的特點(diǎn)，在深入研究了卷積網(wǎng)絡(luò)的理論和國(guó)內(nèi)外研究成果的基礎(chǔ)上，主要做了以下工作：（1）研究了卷積網(wǎng)絡(luò)的訓(xùn)練算法，通過(guò)對(duì)算法分析，調(diào)試并找到最優(yōu)初始化參數(shù)和最適應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)配置。（2）對(duì)于分類結(jié)果的計(jì)算，使用了多區(qū)域的測(cè)試方法，通過(guò)在測(cè)試的過(guò)程中對(duì)圖像的多個(gè)區(qū)域進(jìn)行計(jì)算能夠提高圖像識(shí)別的準(zhǔn)確率。（3）為系統(tǒng)設(shè)計(jì)了一個(gè)通用的數(shù)據(jù)集輸入接口，可以將自己構(gòu)建的圖像數(shù)據(jù)集輸入到卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中，訓(xùn)練和查看圖像分類的結(jié)果。（