基于改進卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究.pdf

1、隨著多媒體技術(shù)、網(wǎng)絡(luò)技術(shù)以及存儲技術(shù)的快速發(fā)展，各個行業(yè)對圖像資料的運用越來越多，人們接觸到的數(shù)字圖像來源不斷擴大，因此如何從大規(guī)模的圖集中選取有用的圖像已經(jīng)成為當今一個亟需解決的課題。傳統(tǒng)的圖像分類方式大致包含兩個步驟:特征提取和分類算法。提取圖像特征是圖像分類識別的重要基礎(chǔ)，圖像特征的表示也在某種程度上影響圖像分類的效果。在提取圖像特征之后，需要用分類算法對其進行分類。目前不斷涌現(xiàn)出新的圖像處理技術(shù)和分類方法，如深度學習。卷積神經(jīng)網(wǎng)

2、絡(luò)(Convolutional Neural Networks，CNN)是深度學習中的新型神經(jīng)網(wǎng)絡(luò)，已經(jīng)被廣泛應(yīng)用到多種圖像處理任務(wù)中。CNN在一些圖像分類任務(wù)中取得了很好的效果，但仍存在模型分類能力不強、訓練樣本較少時準確率不高和收斂較慢等問題。針對這些問題，本文提出以下兩種改進的卷積神經(jīng)網(wǎng)絡(luò)算法模型。具體研究內(nèi)容如下:
　　(1)提出了一種改進激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)。主要改進是將LReLU函數(shù)和Softplus函數(shù)結(jié)合，提出新

3、的LReLU-Softplus激活函數(shù)。LReLU函數(shù)缺乏光滑性，導致模型的平均性能較差;Softplus函數(shù)具有輸出偏移問題，這會影響網(wǎng)絡(luò)的收斂性。改進后的激活函數(shù)在小于0的部分繼承了LReLU函數(shù)的優(yōu)點，解決了數(shù)值偏移和神經(jīng)元死亡問題;在大于0的部分繼承了Softplus函數(shù)的光滑性。因此，本文提出改進的LReLU-Softplus激活函數(shù)，使新的激活函數(shù)具有LReLU和Softplus的優(yōu)點，同時避免了兩者的缺點。從而提高模型的分

4、類能力。
　　(2)提出一種改進Fisher準則的卷積神經(jīng)網(wǎng)絡(luò)模型。主要改進是使用新的類間散布矩陣，將其定義為兩類樣本經(jīng)投影后的平方均值之差的絕對值，以此改進Fisher準則，再利用改進后的Fisher準則來改進CNN的代價函數(shù)。Fisher準則的思想是尋找一個最優(yōu)投影軸，使兩種類別的樣本在該軸的投影區(qū)間距離最大，因此能夠獲得最優(yōu)的分類效果。然而Fisher準則存在一個缺點是“秩限制”問題，它所獲得的判別信息的個數(shù)受到類別個數(shù)的限

5、制，這影響了識別的性能。本文通過對Fisher準則的改進來緩解“秩限制”問題，并通過對CNN代價函數(shù)的修改，構(gòu)建基于改進Fisher準則的卷積神經(jīng)網(wǎng)絡(luò)模型，從而達到訓練樣本較少時提高CNN的分類識別率和使模型快速收斂的目的。
　　(3)本文所提的兩個方法分別在女裝商品圖像庫、Mnist手寫數(shù)字庫、ImageNet圖像庫以及Oxford flowers圖像庫上進行了實驗驗證。在實驗中，改進的LReLU-Softplus激活函數(shù)分別與