隨著計(jì)算機(jī)硬件性能的快速提升、海量數(shù)據(jù)學(xué)習(xí)算法的發(fā)展以及對神經(jīng)網(wǎng)絡(luò)的深入研究,深度學(xué)習(xí)方法被廣泛的應(yīng)用于圖像識(shí)別任務(wù)中,其中卷積神經(jīng)網(wǎng)絡(luò)優(yōu)異的性能在圖像識(shí)別任務(wù)中大放異彩,并在諸如語音識(shí)別、運(yùn)動(dòng)預(yù)測、醫(yī)療診斷等領(lǐng)域均有良好的表現(xiàn)。卷積神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)更好的模擬了視覺神經(jīng)元對圖像信息的響應(yīng),使用稀疏連接的方式極大地降低了神經(jīng)網(wǎng)絡(luò)的參數(shù)規(guī)模,使用共享權(quán)值的方法將卷積層的每個(gè)卷積核重復(fù)的用于提取圖像特征的過程,最大可能的減少了模型參數(shù)的數(shù)量,有效的提升了模型的訓(xùn)練效率。基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法避免了傳統(tǒng)方法繁雜低效的特征提取,將圖像的特征分析也融入了模型訓(xùn)練過程中。雖然卷積神經(jīng)網(wǎng)絡(luò)模型在圖像識(shí)別任務(wù)中取得了顯著的成績,但是在面對移動(dòng)設(shè)備、嵌入式系統(tǒng)等計(jì)算資源有限的平臺(tái)時(shí),傳統(tǒng)的基于深度學(xué)習(xí)的模型由于參數(shù)量及運(yùn)算量較為龐大便不再是一個(gè)理想的選擇,因此本文在保證模型性能的前提下,對如何簡化模型的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)方法做了深入研究,并且提出了基于原始MobileNet的改進(jìn)模型。本文的主要?jiǎng)?chuàng)新性研究工作主要包括以下三點(diǎn):1、針對現(xiàn)有模型為了提升性能,不斷加深模型結(jié)構(gòu)層數(shù)、增大參數(shù)量...

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 章節(jié)安排
第二章 圖像識(shí)別及神經(jīng)網(wǎng)絡(luò)算法概述
    2.1 圖像識(shí)別
        2.1.1 圖像預(yù)處理
        2.1.2 圖像特征提取
        2.1.3 圖像分類器
    2.2 深度學(xué)習(xí)
        2.2.1 深度學(xué)習(xí)的概念
        2.2.2 深度學(xué)習(xí)與淺層學(xué)習(xí)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    2.4 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法
    2.5 防止過擬合技術(shù)
        2.5.1 正則化
        2.5.2 Dropout
    2.6 本章小結(jié)
第三章 基于MobileNet的高效神經(jīng)網(wǎng)絡(luò)算法研究及改進(jìn)
    3.1 神經(jīng)網(wǎng)絡(luò)壓縮方法
        3.1.1 權(quán)重矩陣稀疏化
        3.1.2 權(quán)重參數(shù)共享
        3.1.3 利用新型網(wǎng)絡(luò)模塊
    3.2 高效神經(jīng)網(wǎng)絡(luò)模型
        3.2.1 深度可分離卷積層
        3.2.2 高效神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    3.3 改進(jìn)的高效神經(jīng)網(wǎng)絡(luò)模型
        3.3.1 全局深度卷積
        3.3.2 遷移學(xué)習(xí)
        3.3.3 優(yōu)化器
        3.3.4 Tensor Flow 框架
    3.4 本章小結(jié)
第四章 基于改進(jìn)MobileNet模型的圖像識(shí)別
    4.1 實(shí)驗(yàn)配置及評(píng)估標(biāo)準(zhǔn)
    4.2 實(shí)驗(yàn)數(shù)據(jù)集
    4.3 模型結(jié)構(gòu)
    4.4 實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
參考文獻(xiàn)
作者在讀期間科研成果簡介
致謝



本文編號(hào)：4022675