隨著社會的發(fā)展,以深度學(xué)習(xí)為代表的人工智能技術(shù)近年來被廣泛應(yīng)用于科學(xué)技術(shù)的研究和日常生活的各個方面,如人臉識別、指紋識別、違章拍照和智能汽車自動駕駛等方面。由于人類很多信息來源于視覺,因此圖像識別是深度學(xué)習(xí)領(lǐng)域的一個重要組成部分。如何進(jìn)行圖像識別是深度學(xué)習(xí)系統(tǒng)應(yīng)用的關(guān)鍵問題之一。傳統(tǒng)的圖像識別是將圖像的特征提取和圖像分類分開操作的,這就使得對于圖像的特征提取需要人為構(gòu)建。這樣做不僅僅加大了人的工作量,而且大大的降低了對圖像特征提取的效率。在面臨一些復(fù)雜圖像的特征提取時,人們往往會忽略對大部分細(xì)節(jié)的處理,如圖像的顏色、紋理和明暗度等一些淺層特征,這樣也大大限制了傳統(tǒng)圖像識別的應(yīng)用場景。近年來,卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用開始普及,從2012年Alex Net卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)直到Mask-rcnn算法,卷積神經(jīng)網(wǎng)絡(luò)開始變得實用化。卷積神經(jīng)網(wǎng)絡(luò)最大的特點在于特征提取和分類被整合到了一個單獨的神經(jīng)網(wǎng)絡(luò)中。卷積神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)的變體。它通過重新組織結(jié)構(gòu)、減輕自身重量和在識別之前省去了復(fù)雜的圖像特征提取過程,將特征提取功能集成到多層感知機(jī)中。在卷積神經(jīng)網(wǎng)絡(luò)中,層與層之間緊密的連接使其適用于對圖像的處理... 

【文章來源】：安徽大學(xué)安徽省211工程院校

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外發(fā)展現(xiàn)狀
    1.3 圖像識別技術(shù)的發(fā)展
        1.3.1 傳統(tǒng)圖像識別的發(fā)展
        1.3.2 基于深度學(xué)習(xí)的圖像識別技術(shù)發(fā)展
    1.4 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別
        1.4.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
        1.4.2 卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)
        1.4.3 卷積神經(jīng)網(wǎng)絡(luò)的基本工作原理
    1.5 本論文主要工作
    1.6 本論文的結(jié)構(gòu)安排
第二章 改進(jìn)AlexNet網(wǎng)絡(luò)算法
    2.1 引言
    2.2 AlexNet網(wǎng)絡(luò)的基本結(jié)構(gòu)
    2.3 AlexNet網(wǎng)絡(luò)的工作原理
    2.4 批量歸一化算法的工作原理
    2.5 深度卷積神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)
        2.5.1 AlexNet網(wǎng)絡(luò)框架的改進(jìn)
        2.5.2 Max-Avg池化層的工作原理
    2.6 改進(jìn)后的深度卷積神經(jīng)網(wǎng)絡(luò)算法流程
    2.7 實驗結(jié)果與分析
        2.7.1 實驗環(huán)境
        2.7.2 實驗數(shù)據(jù)
        2.7.3 CIFAR-10數(shù)據(jù)集的實驗結(jié)果分析
        2.7.4 CIFAR-100數(shù)據(jù)集的實驗結(jié)果分析
第三章 多幀卷積神經(jīng)網(wǎng)絡(luò)
    3.1 引言
    3.2 VGGNet網(wǎng)絡(luò)的基本結(jié)構(gòu)
    3.3 VGGNet網(wǎng)絡(luò)的工作原理
    3.4 多幀VGG卷積神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)與流程
    3.5 實驗結(jié)果與分析
        3.5.1 實驗環(huán)境
        3.5.2 實驗數(shù)據(jù)
        3.5.3 Pascal VOC數(shù)據(jù)集的實驗結(jié)果分析
第四章 改進(jìn)多幀VGGNet卷積神經(jīng)網(wǎng)絡(luò)算法
    4.1 引言
    4.2 改進(jìn)后的多幀VGGNet網(wǎng)絡(luò)結(jié)構(gòu)和工作原理
    4.3 實驗結(jié)果與分析
        4.3.1 實驗環(huán)境
        4.3.2 實驗數(shù)據(jù)的處理
    4.4 室內(nèi)場景數(shù)據(jù)集的實驗結(jié)果分析
總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的學(xué)術(shù)成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)動態(tài)規(guī)劃的航空航天飛行器魯棒控制研究綜述[J]. 穆朝絮,張勇,余瑤,孫長銀.  空間控制技術(shù)與應(yīng)用. 2019(04)
[2]基于去隨機(jī)化方法的Markov跳變系統(tǒng)有限頻段控制[J]. 萬海英,欒小麗,劉飛.  控制理論與應(yīng)用. 2018(07)
[3]多支路加熱爐分布式平衡與跟蹤控制[J]. 欒小麗,閔鴦,劉飛.  自動化學(xué)報. 2017(06)
[4]基于分布式偏差的加熱爐支路溫度一致控制[J]. 閔鴦,欒小麗,劉飛.  化工學(xué)報. 2016(12)
[5]跳變系統(tǒng)在給定時間內(nèi)的有限頻段H∞控制[J]. 周超潔,欒小麗,劉飛.  控制理論與應(yīng)用. 2016(02)
[6]具有噪聲約束的時滯Markov跳變網(wǎng)絡(luò)給定時間一致性協(xié)議設(shè)計[J]. 閔鴦,欒小麗,劉飛.  控制理論與應(yīng)用. 2016(01)
[7]近空間高超聲速飛行器控制的幾個科學(xué)問題研究[J]. 孫長銀,穆朝絮,余瑤.  自動化學(xué)報. 2013(11)
[8]非奇異終端滑模控制系統(tǒng)相軌跡和暫態(tài)分析[J]. 穆朝絮,余星火,孫長銀.  自動化學(xué)報. 2013(06)
[9]基于干擾觀測器的衛(wèi)星姿態(tài)誤差四元數(shù)模糊滑�？刂芠J]. 穆朝絮,孫長銀,錢承山.  東南大學(xué)學(xué)報(自然科學(xué)版). 2012(05)
[10]基于粒子群優(yōu)化的非線性系統(tǒng)最小二乘支持向量機(jī)預(yù)測控制方法[J]. 穆朝絮,張瑞民,孫長銀.  控制理論與應(yīng)用. 2010(02)



本文編號：3640715