深度學(xué)習(xí)在圖像識(shí)別中的研究及應(yīng)用.pdf

1、對(duì)圖像進(jìn)行精確識(shí)別，具有非常重要的研究意義，圖像識(shí)別技術(shù)在醫(yī)藥學(xué)、航天、軍事、工農(nóng)業(yè)等諸多方面發(fā)揮著重要的作用。當(dāng)前圖像識(shí)別方法大多采用人工提取特征，不僅費(fèi)時(shí)費(fèi)力，而且提取困難；而深度學(xué)習(xí)是一種非監(jiān)督學(xué)習(xí)，學(xué)習(xí)過(guò)程中可以不知道樣本的標(biāo)簽值，整個(gè)過(guò)程無(wú)需人工參與也能提取到好的特征。近年來(lái)，將深度學(xué)習(xí)用于圖像識(shí)別成為了圖像識(shí)別領(lǐng)域的研究熱點(diǎn)，已取得了良好的效果，并且有廣闊的研究空間。
　　本文基于深度學(xué)習(xí)在圖像識(shí)別的相關(guān)理論，分析了深

2、度學(xué)習(xí)的基本模型和方法，并在相關(guān)圖像數(shù)據(jù)集上實(shí)驗(yàn)論證；另外鑒于深度學(xué)習(xí)多用于大樣本集，本文基于小樣本提出了一種改進(jìn)算法，具體工作內(nèi)容如下：
　?。?）分析深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNNs）的基本原理，研究其訓(xùn)練過(guò)程和模型結(jié)構(gòu)。其中卷積層通過(guò)卷積運(yùn)算，可以使原信號(hào)增強(qiáng)，并且降低噪聲，提高信噪比；降采樣對(duì)卷積層的圖像進(jìn)行子抽樣，在保證了有用信息不降低的基礎(chǔ)上，減少數(shù)據(jù)處理量。

3、將其在MNIST手寫(xiě)字體數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，通過(guò)對(duì)比分析了該方法和其他經(jīng)典算法在識(shí)別率和時(shí)間方面的優(yōu)劣。
　?。?）針對(duì)于卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間過(guò)長(zhǎng)這一缺陷，分析了深度學(xué)習(xí)中深度信念網(wǎng)絡(luò)（Deep Belief Networks，DBNs）的基本原理、訓(xùn)練過(guò)程和模型結(jié)構(gòu)。DBNs的分層訓(xùn)練機(jī)制大大減少了訓(xùn)練難度，減少了訓(xùn)練時(shí)間。引入Softmax作為模型的分類器，將其在MNIST手寫(xiě)字體數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)表明：深度信念網(wǎng)絡(luò)在識(shí)別率

4、上和卷積神經(jīng)網(wǎng)絡(luò)持平，但訓(xùn)練方法的改善使得消耗時(shí)間大大減少。此外，該方法在自然場(chǎng)景CIFAR-10庫(kù)上也有較好的實(shí)驗(yàn)效果。
　?。?）鑒于深度學(xué)習(xí)多適用于較大的數(shù)據(jù)集，針對(duì)小樣本提出了一種改進(jìn)的深度信念網(wǎng)絡(luò)結(jié)構(gòu)：深度信念網(wǎng)絡(luò)整個(gè)過(guò)程可以分為預(yù)訓(xùn)練和參數(shù)微調(diào)兩個(gè)階段，改進(jìn)的算法在預(yù)訓(xùn)練階段對(duì)樣本進(jìn)行降采樣；在參數(shù)微調(diào)階段引入隨機(jī)隱退（Dropout），將隱含層的結(jié)點(diǎn)隨機(jī)清零掉一部分，保持其權(quán)重不更新。將改進(jìn)的模型在MNIST子集和O