基于深度學(xué)習(xí)的目標(biāo)識別研究.pdf

1、對圖像中的目標(biāo)精確識別技術(shù)已應(yīng)用在工業(yè)生產(chǎn)的各個方面，特別在軍事，金融，高端裝備，交通安全等領(lǐng)域，其關(guān)鍵技術(shù)在于如何提高圖像識別的精準(zhǔn)度以及識別速度，這直接影響了該技術(shù)的實用性和安全性。
　　深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個分支，本質(zhì)是一種無監(jiān)督學(xué)習(xí)算法，深度學(xué)習(xí)在自然語言處理，自然圖像特征學(xué)習(xí)方面的效果遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)機(jī)器學(xué)習(xí)相關(guān)技術(shù)，傳統(tǒng)的圖像識別算法都是人工加入特定特征來識別目標(biāo)的，不僅識別率低，而且提取困難，由于神經(jīng)網(wǎng)絡(luò)在架構(gòu)上

2、的特殊性，使得網(wǎng)絡(luò)在訓(xùn)練過程中能夠?qū)W習(xí)到樣本中的內(nèi)在規(guī)律，我們稱之為樣本特征，這種高度的抽象能力使得訓(xùn)練出來的網(wǎng)絡(luò)具有極高的泛化能力。
　　本文圍繞著深度學(xué)習(xí)在目標(biāo)識別方面的應(yīng)用，主要展開了以下研究工作：
　?。?）闡述了神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)，其中卷積層與池化層交叉堆疊可以學(xué)習(xí)抽象的特征，降采樣層可以在最大程度保留原圖信息的同時減少數(shù)據(jù)處理量，論文還詳細(xì)闡述了反向傳播算法。
　?。?）介紹了一種特殊的無監(jiān)督深度神經(jīng)網(wǎng)