基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類技術(shù)研究.pdf

1、隨著移動互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，伴隨著微信、微博、手機應(yīng)用等手機媒體的興起，以及智能手機、平板電腦以及數(shù)碼相機等移動設(shè)備的大量使用與3G、4G、Wifi等的高速無線網(wǎng)絡(luò)普及，用戶可以方便快捷地上傳或者瀏覽圖像。然而，在現(xiàn)實生活中存在大量無標(biāo)記的圖像難以進行搜索和處理。傳統(tǒng)的圖像分類識別方法效果較差，給人們的生活或者搜索帶來很多的使用不便，特別是在復(fù)雜環(huán)境下對自然圖像的分類識別，人們迫切希望在圖像識別中能有新的突破。
　　卷積神經(jīng)網(wǎng)絡(luò)

2、是熱門圖像分類別方法（深度學(xué)習(xí)方法之一），其學(xué)習(xí)方法借鑒了神經(jīng)元處理圖像的原理。目前的海量圖像數(shù)據(jù)的出現(xiàn)，有了較多的圖像樣本，隨著硬件的提升，正好為神經(jīng)網(wǎng)絡(luò)的進行大規(guī)模訓(xùn)練帶來了很大的機遇。為此，本文基于傳統(tǒng)的手寫數(shù)字的分類框架LeNet-5進行改進，通過在MNIST數(shù)據(jù)庫以及CIFAR-10數(shù)據(jù)庫的分類任務(wù)，研究影響卷積神經(jīng)網(wǎng)絡(luò)的性能的因素；并根據(jù)卷積神經(jīng)網(wǎng)絡(luò)重新設(shè)計一個深度卷積網(wǎng)絡(luò)，在Tiny ImageNet數(shù)據(jù)庫上達到很好的分類

3、效果。
　　本文創(chuàng)新工作如下：
　　1.針對應(yīng)用于圖像分類設(shè)計的卷積網(wǎng)絡(luò)模型中如何選擇層次結(jié)構(gòu)以及優(yōu)化算法等問題，我們根據(jù)LeNet-5的架構(gòu)，在其基礎(chǔ)上引入一個具有五層結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，并應(yīng)用在 MNIST數(shù)據(jù)庫以及 CIFAR-10數(shù)據(jù)庫的識別任務(wù)中，通過調(diào)整改進的卷積神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)、激活函數(shù)、下降算法、數(shù)據(jù)增強、池化選擇以及特征圖個數(shù)來進行比對實驗，研究發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)使用池化大小為3*3以及較多的核(64以上)

4、和小的感受野(2*2)、增加層次結(jié)構(gòu)、使用 Relu激活函數(shù)、帶動量的梯度下降算法以及增強數(shù)據(jù)集后，在一定的實驗條件下，將圖像分類結(jié)果在MNIST數(shù)據(jù)庫降到了1.08％的錯誤率，在CIFAR-10數(shù)據(jù)庫降到了28.12％的錯誤率。
　　2.針對Tiny ImageNet數(shù)據(jù)庫中自然圖像的分類，通過分析卷積神經(jīng)網(wǎng)絡(luò)的影響因素后，總結(jié)參數(shù)以及優(yōu)化算法使用的規(guī)律，設(shè)計一個網(wǎng)絡(luò)深度層次為16層（不包括池化層）的深度卷積網(wǎng)絡(luò)，層次中使用了1