資源描述：
《基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、萬方數(shù)據(jù)專業(yè)學位碩士學位論文基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類ImageClassificationbasedonConvolutionalNeuralNetworks學31201004完成日期：2Q!墨么Q壘么圣Q大連理工大學DalianUniversityofTechnology萬方數(shù)據(jù)大連理工大學學位論文獨創(chuàng)性聲明作者鄭重聲明：所呈交的學位論文，是本人在導師的指導下進行研究工作所取得的成果。盡我所知，除文中已經(jīng)注明引用內(nèi)容和致謝的地方外，本論文不包含其他個人或集體已經(jīng)發(fā)表的研究成果，也不包含其他已申請學位或其他用途使用過的成果。與我一同工作的同志對本研究所做的貢獻均已
2、在論文中做了明確的說明并表示了謝意。若有不實之處，本人愿意承擔相關(guān)法律責任。學位論文題目：型三妾包盤墨查趁堡堡趟匿越作者簽名：幽日飆一盟肼』月生日萬方數(shù)據(jù)大連理工大學專業(yè)學位碩士學位論文摘要深度學習(Deeplearning，DL)是機器學習(MachineLearning，ML)的一個嶄新的領(lǐng)域，它的目的就是讓機器學習更加接近其終極目標．人工智能。卷積神經(jīng)網(wǎng)絡(luò)是深度學習算法中的一種，具有結(jié)構(gòu)簡單、適應(yīng)性強、訓練參數(shù)少而連接多等特點，近年來被廣泛應(yīng)用在圖像處理和模式識別等領(lǐng)域。Dropout是一種訓練神經(jīng)網(wǎng)絡(luò)的思路，通過隨機地將隱藏層的部分神經(jīng)元的輸出值歸零而阻礙特
3、征間的共生作用，降低了神經(jīng)網(wǎng)絡(luò)模型的測試誤差，進而提高了神經(jīng)網(wǎng)絡(luò)模型泛化能力。支持向量機是一個分類算法，通過結(jié)構(gòu)風險最小化理論提高模型的泛化能力。Caffe是一個開源的深度學習框架，具有執(zhí)行速度快和模塊清晰等特點。本文提出了一個卷積神經(jīng)網(wǎng)絡(luò)模型MNIST-Net，在模型·的最后一層采用HingeLoss取代傳統(tǒng)的Soft．Max回歸進行分類，在未使用Dropout情況下將MNIST測試集的峰點準確率從99．05％提高到99．36％，平均峰點準確率從98．964％提高到99．278％；在使用Dropout的情況下將峰點準確率從99．14％提高到99．39％，平均峰點準
4、確率從99．024％提高到99．321％。關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；支持向量機；Dropout；Caffe萬方數(shù)據(jù)基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類ImageClassificationbasedOI'1ConvolutionalNeuralNetworksAbstractDeeplearningiSanewareaofMachinelearningresearch．whichhasbeenintroducedwiththeobjectiveofmovingmachinelearningclosertooneofitsoriginalgoals：ArtificialIntell
5、igence．Convolutionalneuralnetworks(CNNs)，whichisoneofdeeplearningalgorithmsthatiswidelyusedinimageprocessingandpatternrecognitionwiththecharacteristicsofsimplicity，strongadaptabilityandfewparameters．Dropoutisanovelneuralnetworktrainingmethod，whichrandomlyomitshaIfofthefeaturedetectorso
6、neachtrainingcasetoreducetesterrorandimprovethegeneralityofthenetworks．Supportvectormachineisoneclassificationalgorithm，whichimprovesthegeneralizationabilityofmodelthroughstructuralriskminimization．CaflfeiSadeeplearningframe．workwithexpression，speed，andmodularityinmind．Inthisarticle，we
7、introducedanewCNNmodelusinghingelOSSasthelastlayerinsteadoftraditionalsoft．Maxregressionandimprovedtopaccuracyfrom99．05％to99。36％andaveragetopaccuracyfrom98．964％to99．278％withoutdropoutandtopaccuracyfrom99．14％to99．39％andtopaccuracyfrom99．024％to99．321％withdropout．KeyWords：CNNs；SVM；Dropo
