資源描述：
《基于深度卷積神經網絡的圖像分類.docx》由會員上傳分享，免費在線閱讀，更多相關內容在行業(yè)資料-天天文庫。
1、《人工神經網》課程論文SHANGHAIJIAOTONGUNIVERSITY論文題目：基于卷積神經網絡的自然圖像分類技術研究姓名:高小寧專業(yè)：控制科學與工程-23-《人工神經網》課程論文基于卷積神經網絡的自然圖像分類技術研究摘要：卷積神經網絡已在圖像分類領域取得了很好的效果，但其網絡結構及參數(shù)的選擇對圖像分類的效果和效率有較大的影響。為改善卷積網絡的圖像分類性能，本文對卷積神經網絡模型進行了詳細的理論分析，并通過大量的對比實驗，得出了影響卷積網絡性能的因素。結合理論分析及對比實驗，本文設計了一個卷積層數(shù)為8層的深度卷積網絡，并結合
2、BatchNormalization、dropout等方法，在CIFAR-10數(shù)據集上取得了88.1%的分類精度，有效地提高了卷積神經網絡的分類效果。關鍵詞：卷積神經網絡，圖像分類，BatchNormalization，DropoutResearchonNaturalImageClassificationBasedonConvolutionNeuralNetworkAbstract:Convolutionneuralnetworkhasachievedverygoodresultsinimageclassification,bu
3、titsnetworkstructureandthechoiceofparametershaveagreaterimpactonimageclassificationefficiencyandefficiency.Inordertoimprovetheimageclassificationperformanceoftheconvolutionnetwork,aconvolutionalneuralnetworkmodelisanalyzedindetail,andalargenumberofcontrastiveexperime
4、ntsareconductedtogetthefactorsthatinfluencetheperformanceoftheconvolutionnetwork.Combiningthetheoryanalysisandcontrastexperiment,aconvolutionlayerdepthconvolutionnetworkwith8layersisdesigned.CombinedwithBatchNormalizationanddropout,88.1%classificationaccuracyisachiev
5、edonCIFAR-10dataset.Whichimprovestheclassificationeffectofconvolutionneuralnetwork.KeyWords:Convolutionneuralnetwork(CNN),imageclassification,BatchNormalization,Dropout-23-《人工神經網》課程論文目錄基于卷積神經網絡的自然圖像分類技術研究-1-1引言-3-2卷積神經網絡的模型分析-4-2.1網絡基本拓撲結構-4-2.2卷積和池化-5-2.3激活函數(shù)-6-2.4S
6、oftmax分類器與代價函數(shù)-7-2.5學習算法-8-2.6Dropout-10-2.7BatchNormalization-11-3模型設計與實驗分析-12-3.1CIFAR-10數(shù)據集-12-3.2模型設計-13-3.3實驗結果與分析-15-4結論-22-參考文獻-23--23-《人工神經網》課程論文1引言1986年,Rumelhart等提出人工神經網絡的反向傳播算法(Backpropagation,BP),掀起了神經網絡在機器學習中的研究熱潮。但是由于BP神經網絡存在容易發(fā)生過擬合、訓練時間長的缺陷,90年代興起的基于統(tǒng)計
7、學習理論的支持向量機具有很強的小樣本學習能力。學習效果也優(yōu)于BP神經網絡，導致了神經網絡的研究再次跌入低估。2006年,Hinton等人在Science上提出了深度學習.這篇文章的兩個主要觀點是:1)多隱層的人工神經網絡具有優(yōu)異的特征學習能力,學習到的數(shù)據更能反映數(shù)據的本質特征，有利于可視化或分類;2)深度神經網絡在訓練上的難度,可以通過逐層無監(jiān)督訓練有效克服。理論研究表明為了學習到可表示高層抽象特征的復雜函數(shù),需要設計深度網絡。深度網絡由多層非線性算子構成,典型設計是具有多層隱節(jié)點的神經網絡。但是隨著網絡層數(shù)的加大,如何搜索深
8、度結構的參數(shù)空間成為具有挑戰(zhàn)性的任務。近年來,深度學習取得成功的主要原因有：1)在訓練數(shù)據上,大規(guī)模訓練數(shù)據的出現(xiàn)(如ImageNet),為深度學習提供了好的訓練資源;2)計算機硬件的飛速發(fā)展(特別是GPU的出現(xiàn))使得訓練大規(guī)模神經網絡成為可能。卷積神經網絡(C
