基于卷積神經網絡的圖像分類技術研究.pdf

1、隨著移動互聯網技術的迅猛發(fā)展，伴隨著微信、微博、手機應用等手機媒體的興起，以及智能手機、平板電腦以及數碼相機等移動設備的大量使用與3G、4G、Wifi等的高速無線網絡普及，用戶可以方便快捷地上傳或者瀏覽圖像。然而，在現實生活中存在大量無標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。
　　卷積神經網絡

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

3、效果。
　　本文創(chuàng)新工作如下：
　　1.針對應用于圖像分類設計的卷積網絡模型中如何選擇層次結構以及優(yōu)化算法等問題，我們根據LeNet-5的架構，在其基礎上引入一個具有五層結構的卷積神經網絡，并應用在 MNIST數據庫以及 CIFAR-10數據庫的識別任務中，通過調整改進的卷積神經網絡的層次結構、激活函數、下降算法、數據增強、池化選擇以及特征圖個數來進行比對實驗，研究發(fā)現卷積神經網絡使用池化大小為3*3以及較多的核(64以上)

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