【摘要】：近些年,ILSVRC大賽逐年刷新圖像識別準確率,該競賽會給定一個包含有大量被人工標記的訓練數(shù)據(jù)集,讓研究者們自行設計算法并且在給定數(shù)據(jù)集上驗證自己的算法對物體檢測識別的效果。另一個主要目標是在大規(guī)模圖像集的檢索和標記中測試計算機視覺技術的進步。很多知名的網絡結構都在該競賽中嶄露頭角,比如AlexNet,VGG,GoogleNet,Deep Residual Network等。為了使模型更好的運用于特定數(shù)據(jù)集,盡可能的提高圖像分類準確率,訓練過程中產生較少的震蕩、過擬合等現(xiàn)象,本文就ILSVRC大賽中的AlexNet模型進行研究。主要工作如下:1、提出了一種新的閾值激活函數(shù),解決了訓練結果中出現(xiàn)的數(shù)據(jù)偏離最佳點的問題,使網絡模型更加穩(wěn)定,而且提高了圖片分類準確率。利用caltech101數(shù)據(jù)集和caltech256數(shù)據(jù)集對改進激活函數(shù)的AlexNet模型進行驗證,數(shù)據(jù)訓練過程在Linux系統(tǒng)中的Caffe平臺進行。由于Caffe中僅支持lmdb格式的圖片類型,因此要將圖片進行格式轉換后再進行訓練。結果表明caltech101數(shù)據(jù)集的分類精確率從0.977提高到0.993,caltech256數(shù)據(jù)集的分類準確率從0.654提高到0.923。2、針對閾值激活函數(shù)分類訓練速度慢的問題,查找相關文獻研究網絡訓練的時間復雜度,從特征圖的數(shù)量、卷積核的面積、卷積層的數(shù)目三個方面對AlexNet模型進行改進。在不影響分類準確率的前提下,最后確定了分別適合caltech101數(shù)據(jù)集和caltech256數(shù)據(jù)集分類的最優(yōu)模型。其中caltech101數(shù)據(jù)集通過減少卷積核的數(shù)目,達到減少特征圖數(shù)量的目的,訓練速度有明顯提高;caltech256數(shù)據(jù)集則是通過減少卷積層的數(shù)目來達到加快收斂速度的目的。本文通過將實驗數(shù)據(jù)對比作圖的方法,說明了深度學習和卷積神經網絡在圖像分類領域的重要作用,在現(xiàn)有卷積神經網絡的基礎上,提出優(yōu)化激活函數(shù)的卷積神經網絡模型,該模型提高了數(shù)據(jù)集caltech101和數(shù)據(jù)集caltech256的分類準確率,極大的增強了網絡的穩(wěn)定能力和抗過擬合性能,在收斂速度上也有很大提升。
【學位授予單位】：山西大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183
【圖文】：

Neocognitron的結構

卷積神經網絡在圖像分類中的網絡結構優(yōu)化Machine，RBM）。1998 年，Yann LeCun 提出了 LeNet-5 模型，這是第一個實用經典卷積神經網絡，它使用卷積層、池化層和全連接層相組合，用于手寫數(shù)字圖像分類數(shù)據(jù)集，如圖 1.3 是 LeNet-5 的網絡拓撲結構示意圖。這一創(chuàng)新還被運用到了好多方面，諸如面部識別與定位[24]，檢測面部表情[25]，對文本進行檢測[26]，實現(xiàn)跟蹤監(jiān)測[27]等。

圖 1.4 ILSVRC 大賽歷年 top5 錯誤率對比圖目前，各國的科研人員仍然在研究卷積神經網絡。但是隨著網絡層級的逐漸加深，這種訓練對硬件機器的要求越來越高，一次訓練所耗費的時間從一開始的幾個小時到幾天，現(xiàn)在已經成了幾個月。雖然成本較高，但是卷積神經網絡給人類生活帶來的方便卻是巨大的，它被運用于各個行業(yè)，以促進科技的發(fā)展，加速人工智能的進程。1.3 本文的研究內容和結構安排本論文主要就 ILSVRC 大賽中的 AlexNet 模型進行研究，對現(xiàn)有網絡模型進行改進優(yōu)化并對未來研究方向進行規(guī)劃。本文組織結構如下：第一章：緒論。本章首先論述了圖像分類在當今社會的重要性，介紹了圖像分類和卷積神經網絡的研究背景；其次闡述了國內外學者對深度學習和卷積神經網絡的發(fā)展作出的巨大貢獻，并對代表性網絡結構做了簡要概括；最后對本文各章內容安排加以總結。

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經網絡拐點預測法[J];金融經濟;2017年18期

2 劉高宇;;深度神經網絡在煤質數(shù)據(jù)分析與預測中的應用[J];電腦知識與技術;2019年28期

3 馮偉業(yè);廖可非;歐陽繕;牛耀;;基于膠囊神經網絡的合成孔徑雷達圖像分類方法[J];科學技術與工程;2019年28期

4 溫贊揚;;基于群智優(yōu)化神經網絡的音樂風格分類模型研究[J];現(xiàn)代電子技術;2019年21期

5 鄭麗;;建筑設計中神經網絡技術與遺傳算法探究[J];湖北農機化;2019年21期

6 易煒;何嘉;鄒茂揚;;基于循環(huán)神經網絡的對話系統(tǒng)記憶機制[J];計算機工程與設計;2019年11期

7 黃為;李永剛;胡上成;汪毅;;基于循環(huán)神經網絡的船搖數(shù)據(jù)實時預測[J];科學技術與工程;2019年31期

8 賴策;魏小琴;;卷積神經網絡的訓練方式研究[J];信息與電腦(理論版);2019年22期

9 周濟民;;基于神經網絡改進的元胞自動機分析——美國阿片類藥物濫用情況[J];信息系統(tǒng)工程;2019年11期

10 馬猛;王明紅;;基于進化神經網絡的304不銹鋼車削加工表面粗糙度預測[J];輕工機械;2019年06期

相關會議論文 前10條

1 孫軍田;張U

本文編號：2751488