

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、圖像識別是圖像研究領(lǐng)域中的一個重要研究方向,也是機(jī)器視覺中的熱點(diǎn)研究問題,具有非常重大的意義。深度學(xué)習(xí),近些年在圖像、語音、文本等方面取得了許多成果。同時,深度學(xué)習(xí)在人工智能領(lǐng)域占據(jù)著重要的地位,在日常生活中受到廣泛的應(yīng)用和關(guān)注。傳統(tǒng)的圖像識別方法需要人工設(shè)計特征,相對依賴圖像識別經(jīng)驗(yàn)豐富的研究學(xué)者,且傳統(tǒng)的方法圖像識別率較低。隨著互聯(lián)網(wǎng)和信息技術(shù)的發(fā)展,大數(shù)據(jù)背景下產(chǎn)生的海量圖像數(shù)據(jù),傳統(tǒng)的識別方法已經(jīng)不能滿足我們的需求。而深度學(xué)習(xí)是
2、一個多層的網(wǎng)絡(luò)結(jié)構(gòu),通過模擬人腦,能夠自動的學(xué)習(xí)和提取特征,充分發(fā)揮大數(shù)據(jù)的優(yōu)勢。因此,本文將深度學(xué)習(xí)和圖像識別相結(jié)合,研究如何提高圖像的識別率,具有一定的研究空間和研究價值。
本文首先闡述了圖像識別和深度學(xué)習(xí)的理論,與淺層學(xué)習(xí)相比,深度學(xué)習(xí)能夠容易的表達(dá)復(fù)雜函數(shù),具有很強(qiáng)的泛化能力。同時,還探討了幾種常用的深度學(xué)習(xí)模型及其算法原理,研究了圖像的特征提取和識別方法。
本文在研究深度神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,針對原始的初始化權(quán)
3、重方法造成的網(wǎng)絡(luò)學(xué)習(xí)速度慢的問題,提出了改進(jìn)的初始化權(quán)重方法。同時,在理論和實(shí)驗(yàn)上驗(yàn)證了該方法的有效性,還可以將其運(yùn)用到常用的卷積神經(jīng)網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)中。
其次,由于深度神經(jīng)網(wǎng)絡(luò)存在梯度消失的問題。同時,深度信念網(wǎng)絡(luò)的半監(jiān)督學(xué)習(xí)特點(diǎn),可以挖掘大量無標(biāo)簽數(shù)據(jù)的價值。因此,本論文提出了改進(jìn)的深度信念網(wǎng)絡(luò)學(xué)習(xí)模型。通過實(shí)驗(yàn)證明,該模型的學(xué)習(xí)速度和識別正確率都得到提高。相對于未改進(jìn)的深度信念網(wǎng)絡(luò),該模型在MNIST數(shù)據(jù)集上的識別率達(dá)
4、到了99.18%,提高了0.62%,在CIFAR-10數(shù)據(jù)集上的識別率提高了9.6%。
最后,針對卷積神經(jīng)網(wǎng)絡(luò)特別適合處理與圖像相關(guān)的問題,本文提出了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型。該模型首先采用改進(jìn)的初始化權(quán)重方法代替原始的初始化方法;然后去掉池化層,采用SVM分類器替代了原始的softmax層;最后對激活函數(shù)進(jìn)行了改進(jìn),改進(jìn)后的函數(shù)結(jié)合了Sigmoid函數(shù)的光滑性和ReLU函數(shù)的稀疏性及快速收斂性等特點(diǎn),同時引入了Dropout思
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于深度學(xué)習(xí)的圖像特征識別方法研究.pdf
- 基于ASM的圖像識別方法研究與實(shí)現(xiàn).pdf
- 基于知識元的圖像識別方法研究.pdf
- 基于遺傳規(guī)劃的圖像識別方法.pdf
- 基于深度圖像的手勢識別方法與應(yīng)用研究.pdf
- 基于深度學(xué)習(xí)的水果圖像識別算法研究.pdf
- 基于相關(guān)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的圖像識別方法研究.pdf
- 基于流形學(xué)習(xí)的金屬斷口圖像識別方法研究.pdf
- 基于流形學(xué)習(xí)的面部表情圖像識別方法研究.pdf
- 基于深度學(xué)習(xí)的腫瘤細(xì)胞圖像識別.pdf
- 基于紋理的木材圖像識別方法研究.pdf
- 深度學(xué)習(xí)在圖像識別中的研究及應(yīng)用.pdf
- 深度學(xué)習(xí)圖像識別模型的優(yōu)化及應(yīng)用.pdf
- 紙幣號碼圖像識別方法研究.pdf
- NIR人臉圖像識別方法研究.pdf
- 野外火災(zāi)的圖像識別方法研究.pdf
- 基于深度學(xué)習(xí)的表情識別方法研究.pdf
- 基于流形學(xué)習(xí)算法的植物葉片圖像識別方法研究.pdf
- 身份號碼圖像識別方法與系統(tǒng)的研究.pdf
- 基于深度學(xué)習(xí)的遙感圖像中地面塌陷識別方法研究
評論
0/150
提交評論