基于卷积神经网络的图像识别算法.ppt

基于卷积神经网络的图像识别算法的讲师: ----记者: ----单击添加文本单击添加文本单击添加文本单击添加文本卷积神经网络原理图像分类算法的设计与实现图像分类概述单击添加文本单击添加文本单击添加文本单击添加文本图像分类目标图像分类是根据不同图像的特征将图像分为不同类别CatOrNon-Cat？单击添加文本，单击添加文本，单击添加文本，单击添加文本方法，支持向量机（SVM）是用于分类的经典机器学习方法，即使在少量样本的情况下，也可以得到比较好的结果. 并且，因为最终分类器确定超平面，所以它仅与有限数量的“支持向量”有关，并且训练速度相对较快. 卷积神经网络（CNN）是多层感知器. 对于图像，相邻像素的相似度通常高于相距较远的两个像素的相似度. 卷积神经网络结构的优越性使其可以更加关注相邻像素之间的关系，并在一定距离上限制像素之间的连接. 因此，卷积神经网络的这种结构既满足图像处理的要求，又使卷积神经网络在处理图像分类问题上具有天然的优势. K近邻算法（KNN）是一种无需监督的学习方法神经网络算法图像识别，不需要事先进行标记. 不需要标记即可确定样本类型，甚至无需知道所获得的数据可以分为几类.

它更适合于域重叠或重叠的分类任务. 单击添加文本，单击添加文本，单击添加文本，单击添加文本，卷积神经网络. 我们假设对于一个32 * 32的彩片，有3个通道，因此32 * 32 * 3的矩阵可以表示这样的图片，然后将该图片平均分成6 * 6 = 36个小图片，每个独立的小图片被输入到神经网络，并且在每个通道上执行相同的操作以形成特征向量. 为了保证图像的局部特征并滤除较远的无关特征，采用了权重共享策略. 所谓的权重分配是指在图片的相同位置处的相同权重. 这不仅用于减少参数的数量，而且还用于组合图像本身的特性-相邻像素之间的相关性始终大于彼此隔开的像素之间的关系. 单击以添加文本. 单击以添加文本. 单击以添加文本. 单击以添加文本. 卷积神经网络降采样等效于特征维数的减少，这可以在降低维数的同时确保一定程度的尺度不变性. 即使经过一定的转换和变换，相应的下采样特征也可能相同. 下采样保留了最重要的特征，并丢弃了相对不重要的特征，这不仅减少了参数的数量，而且降低了过拟合的风险. 单击添加文本单击添加文本单击添加文本单击添加文本卷积神经网络图像分类基本过程单击添加文本单击添加文本单击添加文本单击添加文本单击添加文本实验环境操作系统Windows 10 64位操作系统处理器英特尔i5 CPU内存6GB DDR3 1600 Python版本Python 3.5.2 Anaconda版本Anaconda 4.2.0深度学习框架TensorFlow单击添加文本单击添加文本单击添加文本单击添加文本单击添加文本数据源和文件组织create_dataset创建数据集train_catvnoncat.h5训练集数据文件test_catvnoncat.h5测试集数据文件nnn_app_utils_v2.py正向传播dnn_app_utils_v2_back.py向后传播cnn.py卷积神经网络实现和测试训练集CIFAR-10 8000测试集1 CIFAR-10 2000测试集2互联网随机图片100单击添加文本单击添加文本单击添加文本单击添加文本以构建卷积神经网络. 输入实验中使用的数据是32 * 32三通道彩像. 为了平衡算法的性能和稳定性神经网络算法图像识别，设置了具有如图所示结构的卷积神经网络. 卷积核可以保证算法的效率，更深的结构还可以保证算法可以有效地提取图像特征. 单击以添加文本. 单击以添加文本. 单击以添加文本. 单击以添加文本以构建卷积神经网络. 输入每个卷积层后，所有的层都有一个ReLU层，最终的整个CNN网络结构由一个输入层和两个图结构组成，一个完全连接的层，一个Softmax层和一个输出层. 单击以添加文本单击以添加文本单击以添加文本单击以添加文本实验结果测试集源测试集样本编号准确率CIFAR-10 2000 89％多源随机下载图片100 73％请老师批评和纠正

本文来自本站，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-256707-1.html