傳統(tǒng)的花卉識(shí)別算法主要通過手動(dòng)提取特征,最終利用分類器進(jìn)行訓(xùn)練,其泛化能力存在一定的局限性且準(zhǔn)確度很難突破。而“深度學(xué)習(xí)”概念的提出,吸引了很多國(guó)內(nèi)外科研工作者的關(guān)注。特別在農(nóng)業(yè)領(lǐng)域,利用深度學(xué)習(xí)技術(shù)獲取農(nóng)業(yè)信息,指導(dǎo)農(nóng)業(yè)生產(chǎn)已經(jīng)得到了廣泛的應(yīng)用。目前,深度學(xué)習(xí)網(wǎng)絡(luò)已經(jīng)能夠?qū)⒕W(wǎng)絡(luò)深度擴(kuò)大到上千層,但是當(dāng)層數(shù)達(dá)到上千層后,其準(zhǔn)確率每提高百分之一的代價(jià)都是巨大的。因此有人提出一種在準(zhǔn)確率不變的情況下,適當(dāng)減少網(wǎng)絡(luò)深度,增加寬度的架構(gòu),即寬殘差網(wǎng)絡(luò),并取得了良好的效果。同時(shí),使用深度學(xué)習(xí)技術(shù)研究,研究成果不能很好的展現(xiàn)在PC端和手機(jī)端,而遷移學(xué)習(xí)的核心理念即使淺層的網(wǎng)絡(luò)模型的準(zhǔn)確率接近深層的網(wǎng)絡(luò)模型的準(zhǔn)確率,并且能夠較好的應(yīng)用于PC端與手機(jī)端。經(jīng)過實(shí)驗(yàn)對(duì)比,將遷移學(xué)習(xí)和寬殘差網(wǎng)絡(luò)相結(jié)合,發(fā)揮二者的優(yōu)勢(shì),運(yùn)用較少的層數(shù)和樣本量,得到了性能最佳的網(wǎng)絡(luò)模型,并將此模型應(yīng)用于花卉圖像的識(shí)別。主要內(nèi)容如下:1、研究分析了花卉識(shí)別技術(shù)的現(xiàn)狀及其意義,針對(duì)遷移學(xué)習(xí)方法以及寬殘差網(wǎng)絡(luò)進(jìn)行了深入的探討;2、設(shè)計(jì)對(duì)比實(shí)驗(yàn),驗(yàn)證了相同的網(wǎng)絡(luò)模型不同深度之間遷移學(xué)習(xí)的優(yōu)越性;3、設(shè)計(jì)對(duì)比實(shí)驗(yàn),驗(yàn)證了不同網(wǎng)絡(luò)模型之間...

【文章頁數(shù)】：43 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1單個(gè)編碼器訓(xùn)練

-7-圖2-1單個(gè)編碼器訓(xùn)練Figure2-1SingleEncoderTraining利用互聚類算法是同構(gòu)空間下基于特征遷移學(xué)習(xí)的場(chǎng)景方法，這是同時(shí)將聚類目標(biāo)數(shù)據(jù)和樣本數(shù)據(jù)進(jìn)行比對(duì)，找到它們各自的共同點(diǎn)，從而實(shí)現(xiàn)樣本數(shù)據(jù)到目標(biāo)數(shù)據(jù)的遷移[31]。像此類的方法還有很多，如自學(xué)習(xí)算....

圖2-2多個(gè)編碼器訓(xùn)練

-8-圖2-2多個(gè)編碼器訓(xùn)練Figure2-2Multipleencodertraining自動(dòng)編碼器若經(jīng)過多層的訓(xùn)練，這將會(huì)得到一個(gè)很好的特征以此來表示原始輸入的數(shù)據(jù)，為了實(shí)現(xiàn)這樣的目的，我們可在其上增加一個(gè)分類器，如支持向量機(jī)SVM和softmax回歸等[39]。利用梯度下降....

圖2-3受限玻爾茲曼機(jī)Figure2-3RestrictedBoltzmannmachine

-9-(，)=1（）（，，）=1（）∏，∏∏（3）()=∑（，，），可視層值一定，則第個(gè)隱藏層節(jié)點(diǎn)為１的概率如公式（4）：(=1|)=11+∑（4）圖2-4RBM訓(xùn)練過程Figure2-4RBMtrainingprocess圖2-3受限玻爾茲曼機(jī)Figure2-3Restrict....

圖2-4RBM訓(xùn)練過程

-9-(，)=1（）（，，）=1（）∏，∏∏（3）()=∑（，，），可視層值一定，則第個(gè)隱藏層節(jié)點(diǎn)為１的概率如公式（4）：(=1|)=11+∑（4）圖2-4RBM訓(xùn)練過程Figure2-4RBMtrainingprocess圖2-3受限玻爾茲曼機(jī)Figure2-3Restrict....

本文編號(hào)：3965246