APP下载

基于卷积神经网络的图像分类研究

2016-09-24杨莹张海仙四川大学软件学院成都610065

现代计算机 2016年5期
关键词:分类特征实验

杨莹,张海仙(四川大学软件学院,成都 610065)

基于卷积神经网络的图像分类研究

杨莹,张海仙
(四川大学软件学院,成都610065)

0 引言

图像识别技术的基础是分析图像的主要特征,正如人类的图像识别过程,复杂图像的识别需要经过多个层次信息的整合以及加工,才能够将分散的对图像单个特征的认知识别进行整合,形成对图像的最终识别分类。相类似的,如何让计算机在进行数字图像处理时使用类似的特征提取机制,对于图像的关键特征进行提取之后再进行整合,从而达到最终的认知分类目的成为近年来图像识别研究的热点。

卷积神经网络(CNN)在诸如手写数字识别以及人脸识别方面都被证明有着非常出色的表现。如Ciresan 的Deep Neural Networks for Image Classification[1]证明了在NORB和CIFAR-10数据集上采用卷积神经网络进行分类的效果非常好,同时,Krizhevsky等人在2012 年ImageNet的卷积网络模型应用中取得16.4%的错误率更是吸引了全世界的瞩目。总的来说,卷积神经网络是深度神经网络的一种,它主要的训练方式同传统的深度神经网络(DNN)一样,都是通过前向计算输入与权值的内积得到输出,之后通过反向传播(Back Propagation,BP)算法不断迭代更新权值,结合梯度下降方法,最后得到能使整个网络最优的权值。除此之外,相比传统的DNN,卷积神经网络的局部感受野方法、权值共享以及下采样等手段,对图像的位移不变性、旋转不变性都有很大优势。首先,局部感受野方法很大程度上模拟了人的视觉神经系统,通过局部印象来形成最终对事物辨识认知的过程;……

登录APP查看全文

猜你喜欢

分类特征实验
记一次有趣的实验
分类算一算
如何表达“特征”
做个怪怪长实验
不忠诚的四个特征
教你一招:数的分类
NO与NO2相互转化实验的改进
实践十号上的19项实验
线性代数的应用特征