基于卷積神經(jīng)網(wǎng)絡(luò)的若干模式識(shí)別問(wèn)題研究.pdf

1、隨著人工智能時(shí)代的到來(lái)，計(jì)算機(jī)視覺(jué)領(lǐng)域受到越來(lái)越多的研究工作者的重視，目標(biāo)是能讓機(jī)器“感知”世界，深度學(xué)習(xí)技術(shù)的興起在很大程度上推動(dòng)了該領(lǐng)域的研究工作的進(jìn)展。深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一個(gè)分支領(lǐng)域，在圖像檢測(cè)、識(shí)別，場(chǎng)景分析，無(wú)人駕駛，語(yǔ)音識(shí)別等領(lǐng)域取得了重要成效。
　　每個(gè)人的不同表情具有很明顯的區(qū)分性，但同一個(gè)表情在不同的人呈現(xiàn)時(shí)會(huì)存在很大差異性，從此可以看出，面部表情的識(shí)別仍是一個(gè)難以解決的問(wèn)題，面部表情的呈現(xiàn)主要依靠面部不同組

2、件的運(yùn)動(dòng)共同完成的，本文提出基于多尺度的全局和局部面部特征對(duì)面部表情進(jìn)行識(shí)別。對(duì)于每張面部表情圖片，首先產(chǎn)生10個(gè)切片（根據(jù)面部原始圖片產(chǎn)生的5個(gè)全局區(qū)域切片和根據(jù)面部關(guān)鍵點(diǎn)產(chǎn)生5個(gè)局部區(qū)域），每個(gè)切片對(duì)應(yīng)3種不同的尺寸大小，將得到的所有切片進(jìn)行水平翻轉(zhuǎn)，最終每個(gè)面部表情圖片得到60個(gè)切片。為了得到更具有區(qū)分性的深度特征，本文通過(guò)不斷調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)組合訓(xùn)練出性能較優(yōu)的深度模型，最終利用獲得的深度特征在LIBSVM上分類(lèi)。與其

3、他方法相比，本文的實(shí)驗(yàn)方法在CK+和JAFFE兩個(gè)公開(kāi)數(shù)據(jù)集上取得了一定的成效。
　　傳統(tǒng)的昆蟲(chóng)識(shí)別方法主要依靠具有專(zhuān)業(yè)知識(shí)的昆蟲(chóng)學(xué)專(zhuān)家來(lái)辨別，這種方法需要大量人力，然而具有昆蟲(chóng)專(zhuān)業(yè)知識(shí)的昆蟲(chóng)學(xué)專(zhuān)家并不多，因此昆蟲(chóng)種類(lèi)的自動(dòng)識(shí)別顯得越來(lái)越重要。目前主要基于昆蟲(chóng)形態(tài)學(xué)和昆蟲(chóng)聲音系統(tǒng)，主要由于不同種類(lèi)的昆蟲(chóng)的形狀、紋理和顏色等特征上存在著明顯的差異，而且昆蟲(chóng)產(chǎn)生的聲音在種類(lèi)內(nèi)存在很強(qiáng)的相似性，在種類(lèi)間存在很大的差異性。本文提出一種新的

4、昆蟲(chóng)識(shí)別的方法，利用快速傅里葉變換算法（Fast Fourier Transformation,FFT）將昆蟲(chóng)的聲音文件轉(zhuǎn)換成昆蟲(chóng)聲音的頻譜圖像，利用這些頻譜圖像和卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練出性能較好的深度模型，從而提取出每個(gè)昆蟲(chóng)聲音文件對(duì)應(yīng)的深度特征，最終使用LIBSVM進(jìn)行分類(lèi)實(shí)驗(yàn)。本文的識(shí)別方法相比于其他方法能夠有效提高昆蟲(chóng)識(shí)別準(zhǔn)確率，為了進(jìn)一步提高昆蟲(chóng)識(shí)別的準(zhǔn)確率，本文使用了批規(guī)范化操作來(lái)保證在網(wǎng)絡(luò)訓(xùn)練過(guò)程數(shù)據(jù)分布的一致性和減小批量數(shù)據(jù)分