基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究

《基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、分類號：TP183單位代碼：10183研究研生學(xué)號：2015524006密級：公開基于深度卷積神經(jīng)網(wǎng)絡(luò)吉林大學(xué)的圖像碩士學(xué)位論文識別（專業(yè)學(xué)位）算法研究基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究ResearchonImageRecognitionAlgorithmBasedonDeepConvolutional高NeuralNetworks華照作者姓名：高華照類別：工程碩士吉林領(lǐng)域（方向)：電子與通信工程大學(xué)指導(dǎo)教師：李玲副教授培養(yǎng)單位：通信工程學(xué)院2018年6月—————————————————————基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究

2、—————————————————————ResearchonImageRecognitionAlgorithmBasedonDeepConvolutionalNeuralNetworks作者姓名：高華照專業(yè)名稱：電子與通信工程指導(dǎo)教師：李玲副教授學(xué)位類別：工程碩士答辯日期：年月日未經(jīng)本論文作者的書面授權(quán)，依法收存和保管本論文書面版本、電子版本的任何單位和個人，均不得對本論文的全部或部分內(nèi)容進行任何形式的復(fù)制、修改、發(fā)行、出租、改編等有礙作者著作權(quán)的商業(yè)性使用（但純學(xué)術(shù)性使用不在此限）。否則，應(yīng)承擔侵權(quán)的法律責任。吉林大學(xué)碩士學(xué)位論文原創(chuàng)

3、性聲明本人鄭重聲明：所呈交學(xué)位論文，是本人在指導(dǎo)教師的指導(dǎo)下，獨立進行研究工作所取得的成果。除文中已經(jīng)注明引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫過的作品成果。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本人完全意識到本聲明的法律結(jié)果由本人承擔。學(xué)位論文作者簽名：日期：年月日《中國優(yōu)秀博碩士學(xué)位論文全文數(shù)據(jù)庫》投稿聲明研究生院：本人同意《中國優(yōu)秀博碩士學(xué)位論文全文數(shù)據(jù)庫》出版章程的內(nèi)容，愿意將本人的學(xué)位論文委托研究生院向中國學(xué)術(shù)期刊（光盤版）電子雜志社的《中國優(yōu)秀博碩士學(xué)位論文全文數(shù)據(jù)庫》投稿，希望《

4、中國優(yōu)秀博碩士學(xué)位論文全文數(shù)據(jù)庫》給予出版，并同意在《中國博碩士學(xué)位論文評價數(shù)據(jù)庫》和CNKI系列數(shù)據(jù)庫中使用，同意按章程規(guī)定享受相關(guān)權(quán)益。論文級別：■碩士□博士學(xué)科專業(yè)：電子與通信工程論文題目：基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究作者簽名：指導(dǎo)教師簽名：年月日作者聯(lián)系地址（郵編）：吉林大學(xué)通信工程學(xué)院(130012)作者聯(lián)系電話：13843162928摘要基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork,CNN)可以學(xué)習圖像隱性特征，具有強大的自學(xué)習能力，在圖像識別領(lǐng)域取得了優(yōu)異

5、的成績，而深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展為圖像識別領(lǐng)域帶來了深刻的變革，它可以提取到更深度的人們無法理解的特征而進一步提高了圖像識別的準確率。然而隨著網(wǎng)絡(luò)層數(shù)的加深，網(wǎng)絡(luò)的訓(xùn)練也隨之遇到很多問題。首先是目前仍然沒有完善的數(shù)學(xué)理論指導(dǎo)模型結(jié)構(gòu)的設(shè)計，其次是在網(wǎng)絡(luò)訓(xùn)練過程中采用的優(yōu)化算法存在缺陷，兩者直接關(guān)系到網(wǎng)絡(luò)模型的訓(xùn)練速度和模型在測試集上的準確率。本文將針對深度卷積神經(jīng)網(wǎng)絡(luò)的模型和反向傳播優(yōu)化算法進行研究，建立一個簡單高效的深度卷積神經(jīng)網(wǎng)絡(luò)模型。本文首先在VGGNet網(wǎng)絡(luò)模型基礎(chǔ)上，用全卷積取代了原網(wǎng)絡(luò)后三層的全連接，同時增加了一個卷積層并適當

6、調(diào)整了網(wǎng)絡(luò)參數(shù)，設(shè)計了改進的全卷積神經(jīng)網(wǎng)絡(luò)FC-VGGNet-plus(FullyConvolutionalVGGNetplus)模型架構(gòu)，加快了網(wǎng)絡(luò)的訓(xùn)練速度，在CIFAR-10數(shù)據(jù)集上每次迭代時間平均縮短了0.13秒，同時在測試集上的準確率也有一定提升，在同樣的設(shè)備條件和迭代次數(shù)下準確率從82.33%提升至83.45%。隨機梯度下降算法是反向傳播中應(yīng)用非常廣泛的最優(yōu)化算法，其思想簡單，運算速度較快，但在深度卷積神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練中應(yīng)用時存在固有的缺陷，針對反向傳播中隨機梯度下降算法存在的局部最優(yōu)問題以及容易出現(xiàn)的梯度彌散現(xiàn)象，本文研究了

7、群優(yōu)化算法中的粒子群優(yōu)化算法(ParticleSwarmOptimization,PSO)，并將其修正的算法應(yīng)用到卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)訓(xùn)練中，提出了基于變權(quán)重粒子群算法的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法PSO-CNN。首先利用粒子群算法訓(xùn)練網(wǎng)絡(luò)參數(shù)，達到一定的準確率之后再利用隨機梯度下降算法進一步優(yōu)化，解決了反向傳播優(yōu)化算法存在的局部最優(yōu)問題，同時因粒子群優(yōu)化算法的快速迭代大大縮短了網(wǎng)絡(luò)訓(xùn)練時間，在MNIST和CIFAR-10數(shù)據(jù)集上訓(xùn)練基本是在十次迭代后準確率就達到30%左右，而在不使用粒子群算法的條件下達到相同的準確率往往需要幾百次以上迭代。并且粒

8、子群優(yōu)化算法初始化的網(wǎng)絡(luò)的收斂過程更加平滑，參數(shù)值的波動減小。I之后本文將PSO-CNN應(yīng)用到本文設(shè)計的FC-VGGNet-plus網(wǎng)絡(luò)模型訓(xùn)練中，進一步優(yōu)化了本文設(shè)計的改進全卷積網(wǎng)絡(luò)，使該模