基于深度卷積神經(jīng)網(wǎng)絡的圖像分類方法研究及應用.pdf

1、圖像分類是計算機視覺技術重要的研究方向，是指通過獲取圖像的顯著特征以實現(xiàn)不同類別劃分的圖像處理方法。傳統(tǒng)的圖像分類方法通過特征描述符加分類器的方法來實現(xiàn)，這種方法的準確度很大程度上取決于特征提取的有效性。隨著計算機硬件性能、大數(shù)據(jù)及學習算法的發(fā)展，深度學習的方法被廣泛應用到圖像處理的各個領域。卷積神經(jīng)網(wǎng)絡運用了深度學習的思想，是一種深層前饋神經(jīng)網(wǎng)絡模型，在語音識別、人臉識別、運動分析、醫(yī)學診斷等多個圖像分類領域都表現(xiàn)出很好的性能。

2、>　　卷積神經(jīng)網(wǎng)絡相較于傳統(tǒng)的人工神經(jīng)網(wǎng)絡，具有稀疏連接、權值共享等特點。卷積神經(jīng)網(wǎng)絡更好地模擬了視覺神經(jīng)元響應圖像局部信息的特點，使用稀疏連接構建圖像的局部感知野，大大降低了神經(jīng)網(wǎng)絡的參數(shù)規(guī)模。通過共享權值的方法將卷積層的每一個卷積核重復的作用于整個感受野中，提取出圖像的局部特征，減少了自由參數(shù)的數(shù)量，提高了模型的訓練效率?；诰矸e神經(jīng)網(wǎng)絡的圖像分類方法避免了繁雜的顯示特征提取，將圖像的特征分析并入神經(jīng)網(wǎng)絡之中，通過調(diào)節(jié)神經(jīng)網(wǎng)絡的權值

3、和偏置，實現(xiàn)真正的端到端的圖像分類。
　　設計基本結構的卷積神經(jīng)網(wǎng)絡模型是一個簡單的過程，而對于模型的優(yōu)化和訓練是一個漫長和復雜的過程，因此對于模型的優(yōu)化方法研究和訓練效率提升至關重要。文中基于卷積神經(jīng)網(wǎng)絡的基本結構，提出了依次使用數(shù)據(jù)集擴充、準確度提升、過擬合解決、效率提升的一套優(yōu)化方法流程。通過對比實驗驗證了數(shù)據(jù)增強提升數(shù)據(jù)集的多樣性有利于提升準確度和泛化能力;在數(shù)據(jù)集不變的情況下，提升網(wǎng)絡模型規(guī)模和層深度是有效提升模型分類準

4、確度的方法;對于大規(guī)模網(wǎng)絡模型帶來的過擬合問題，配合使用正則化、稀疏性優(yōu)化、數(shù)據(jù)分布優(yōu)化等方法均能夠實現(xiàn)不同程度的解決;訓練大規(guī)模模型和數(shù)據(jù)時，優(yōu)化梯度下降方法可以有效提升網(wǎng)絡的收斂速度，而使用GPU加速將極大的提升訓練效率。
　　針對氣象行業(yè)地基全天空云圖的分類問題，建立了9層的卷積神經(jīng)網(wǎng)絡模型，并通過BN算法、dropout方法對模型進行優(yōu)化，在中國氣象科學研究院公開的云圖數(shù)據(jù)集上進行訓練，并對測試集實現(xiàn)了最優(yōu)97.8％的分類

5、準確度，相較于經(jīng)典模型Alexnet和GoogLeNet inception-v3分類準確度更佳、參數(shù)量更少、訓練效率更高。運用遷移學習的方法將訓練好的卷積神經(jīng)網(wǎng)絡模型應用到自制全天空云圖儀數(shù)據(jù)集的分類中，實驗證明，使用遷移學習可以使網(wǎng)絡模型在新的數(shù)據(jù)集上實現(xiàn)快速收斂，在相同的時間內(nèi)訓練出的模型分類性能要好于重新訓練的網(wǎng)絡模型。經(jīng)過對兩類數(shù)據(jù)集上訓練，在混合測試集上預測準確度達到95.5％，也使所設計的網(wǎng)絡模型對于圖像的尺寸、儀器的采樣

6、方式具有更強的適應性，在自制的全天空云圖儀上實現(xiàn)較好的分類效果。
　　針對質檢行業(yè)卷煙煙絲組成成分的分類問題，研究了煙絲各組成成分的特征，確定使用煙絲的局部特征圖像建立分類數(shù)據(jù)集。設計了基于卷積神經(jīng)網(wǎng)絡的煙絲識別模型，使用11層卷積神經(jīng)網(wǎng)絡用于局部特征圖像的分類，在訓練過程中，提出了運用多尺度分割方法提升模型的適用性，運用數(shù)據(jù)增強方法提升數(shù)據(jù)集的多樣性，運用正則化方法提升模型的泛化能力，使卷積神經(jīng)網(wǎng)絡在局部圖片測試集上最優(yōu)預測準確