基于深度學習的自然圖像分類方法的研究.pdf

1、近幾年以來，隨著科學計算機網絡及人工智能領域的發(fā)展，圖形圖像數(shù)據(jù)量逐漸增多，于是，如何從大量的自然圖像中快速提取到視覺特征已經成了機器智能學習中的熱點研究課題，進而對自然圖像的分類必然成為獲取自然圖像信息的研究重點。
　　卷積神經網絡是深度學習在圖像處理方面的一個重要應用。它相比于其它機器學習算法如 SVM等，其優(yōu)點是能夠直接對圖像像素進行卷積并提取特征，也能夠利用海量的圖像數(shù)據(jù)將網絡參數(shù)訓練充分，以達到更好的分類效果。本文對基于

2、深度學習的自然圖像分類方法展開研究，主要工作及創(chuàng)新點如下：
　　1）基于tensorflow深度學習框架平臺設計一個用于識別圖像的淺層卷積神經網絡，并分別用單GPU和多GPU訓練加速來對比該網絡性能，其中多GPU訓練該網絡的所用的時間比單GPU縮短了25分鐘。該項工作的設計旨在建立一個較好的網絡結構進行訓練和評估，并為工作3中建立更加復雜的網絡模型做鋪墊。
　　2）本文圍繞卷積神經網絡的網絡結構和多參數(shù)分別進行了改進和優(yōu)化。

3、研究實驗表明，對batch值、dropout、momentum動量值、數(shù)據(jù)集擴增等的優(yōu)化，能夠有效地提高深層卷積神經網絡模型的識別率。因此，合理的增加網絡層數(shù)，優(yōu)化訓練參數(shù)提高訓練效率，以達到最佳的分類效果是圖像分類應用研究中非常重要的目的。
　　3）基于tensorflow深度學習框架平臺，并用GPU訓練加速來進行卷積神經網絡的網絡結構改進設計和參數(shù)優(yōu)化。首先，設計一個具有9層結構的深層卷積神經網絡。其次，用該網絡結構分別對ci