基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)

《基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、萬(wàn)方數(shù)據(jù)專(zhuān)業(yè)學(xué)位碩士學(xué)位論文基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)ImageClassificationbasedonConvolutionalNeuralNetworks學(xué)31201004完成日期：2Q!墨么Q壘么圣Q大連理工大學(xué)DalianUniversityofTechnology萬(wàn)方數(shù)據(jù)大連理工大學(xué)學(xué)位論文獨(dú)創(chuàng)性聲明作者鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下進(jìn)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(gè)人或集體已經(jīng)發(fā)表的研究成果，也不包含其他已申請(qǐng)學(xué)位或其他用途使用過(guò)的成果。與我一同工作的同志對(duì)本研究所做的貢獻(xiàn)均已

2、在論文中做了明確的說(shuō)明并表示了謝意。若有不實(shí)之處，本人愿意承擔(dān)相關(guān)法律責(zé)任。學(xué)位論文題目：型三妾包盤(pán)墨查趁堡堡趟匿越作者簽名：幽日飆一盟肼』月生日萬(wàn)方數(shù)據(jù)大連理工大學(xué)專(zhuān)業(yè)學(xué)位碩士學(xué)位論文摘要深度學(xué)習(xí)(Deeplearning，DL)是機(jī)器學(xué)習(xí)(MachineLearning，ML)的一個(gè)嶄新的領(lǐng)域，它的目的就是讓機(jī)器學(xué)習(xí)更加接近其終極目標(biāo)．人工智能。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)算法中的一種，具有結(jié)構(gòu)簡(jiǎn)單、適應(yīng)性強(qiáng)、訓(xùn)練參數(shù)少而連接多等特點(diǎn)，近年來(lái)被廣泛應(yīng)用在圖像處理和模式識(shí)別等領(lǐng)域。Dropout是一種訓(xùn)練神經(jīng)網(wǎng)絡(luò)的思路，通過(guò)隨機(jī)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(cè)試誤差，進(jìn)而提高了神經(jīng)網(wǎng)絡(luò)模型泛化能力。支持向量機(jī)是一個(gè)分類(lèi)算法，通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論提高模型的泛化能力。Caffe是一個(gè)開(kāi)源的深度學(xué)習(xí)框架，具有執(zhí)行速度快和模塊清晰等特點(diǎn)。本文提出了一個(gè)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(jìn)行分類(lèi)，在未使用Dropout情況下將MNIST測(cè)試集的峰點(diǎn)準(zhǔn)確率從99．05％提高到99．36％，平均峰點(diǎn)準(zhǔn)確率從98．964％提高到99．278％；在使用Dropout的情況下將峰點(diǎn)準(zhǔn)確率從99．14％提高到99．39％，平均峰點(diǎn)準(zhǔn)

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(jī)；Dropout；Caffe萬(wàn)方數(shù)據(jù)基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)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