基于深度學(xué)習(xí)的圖像識(shí)別方法研究與應(yīng)用.pdf

1、圖像識(shí)別是圖像研究領(lǐng)域中的一個(gè)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(shí)，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(shí)別方法需要人工設(shè)計(jì)特征，相對(duì)依賴圖像識(shí)別經(jīng)驗(yàn)豐富的研究學(xué)者，且傳統(tǒng)的方法圖像識(shí)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(shí)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(gè)多層的網(wǎng)絡(luò)結(jié)構(gòu)，通過模擬人腦，能夠自動(dòng)的學(xué)習(xí)和提取特征，充分發(fā)揮大數(shù)據(jù)的優(yōu)勢(shì)。因此，本文將深度學(xué)習(xí)和圖像識(shí)別相結(jié)合，研究如何提高圖像的識(shí)別率，具有一定的研究空間和研究價(jià)值。
　　本文首先闡述了圖像識(shí)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(shí)，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(shí)別方法。
　　本文在研究深度神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，針對(duì)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(shí)，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(shí)，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(jià)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(shí)別正確率都得到提高。相對(duì)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(shí)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(shí)別率提高了9.6％。
　　最后，針對(duì)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(duì)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(shí)引入了Dropout思