基于卷積神經網絡的圖像識別算法的講師: ----記者: ----單擊添加文本單擊添加文本單擊添加文本單擊添加文本卷積神經網絡原理圖像分類算法的設計與實現圖像分類概述單擊添加文本單擊添加文本單擊添加文本單擊添加文本圖像分類目標圖像分類是根據不同圖像的特征將圖像分為不同類別CatOrNon-Cat？單擊添加文本，單擊添加文本，單擊添加文本，單擊添加文本方法，支持向量機（SVM）是用于分類的經典機器學習方法，即使在少量樣本的情況下，也可以得到比較好的結果. 并且，因為最終分類器確定超平面，所以它僅與有限數量的“支持向量”有關，并且訓練速度相對較快. 卷積神經網絡（CNN）是多層感知器. 對于圖像，相鄰像素的相似度通常高于相距較遠的兩個像素的相似度. 卷積神經網絡結構的優越性使其可以更加關注相鄰像素之間的關系，并在一定距離上限制像素之間的連接. 因此，卷積神經網絡的這種結構既滿足圖像處理的要求，又使卷積神經網絡在處理圖像分類問題上具有天然的優勢. K近鄰算法（KNN）是一種無需監督的學習方法神經網絡算法圖像識別，不需要事先進行標記. 不需要標記即可確定樣本類型，甚至無需知道所獲得的數據可以分為幾類.

它更適合于域重疊或重疊的分類任務. 單擊添加文本，單擊添加文本，單擊添加文本，單擊添加文本，卷積神經網絡. 我們假設對于一個32 * 32的彩片，有3個通道，因此32 * 32 * 3的矩陣可以表示這樣的圖片，然后將該圖片平均分成6 * 6 = 36個小圖片，每個獨立的小圖片被輸入到神經網絡，并且在每個通道上執行相同的操作以形成特征向量. 為了保證圖像的局部特征并濾除較遠的無關特征，采用了權重共享策略. 所謂的權重分配是指在圖片的相同位置處的相同權重. 這不僅用于減少參數的數量，而且還用于組合圖像本身的特性-相鄰像素之間的相關性始終大于彼此隔開的像素之間的關系. 單擊以添加文本. 單擊以添加文本. 單擊以添加文本. 單擊以添加文本. 卷積神經網絡降采樣等效于特征維數的減少，這可以在降低維數的同時確保一定程度的尺度不變性. 即使經過一定的轉換和變換，相應的下采樣特征也可能相同. 下采樣保留了最重要的特征，并丟棄了相對不重要的特征，這不僅減少了參數的數量，而且降低了過擬合的風險. 單擊添加文本單擊添加文本單擊添加文本單擊添加文本卷積神經網絡圖像分類基本過程單擊添加文本單擊添加文本單擊添加文本單擊添加文本單擊添加文本實驗環境操作系統Windows 10 64位操作系統處理器英特爾i5 CPU內存6GB DDR3 1600 Python版本Python 3.5.2 Anaconda版本Anaconda 4.2.0深度學習框架TensorFlow單擊添加文本單擊添加文本單擊添加文本單擊添加文本單擊添加文本數據源和文件組織create_dataset創建數據集train_catvnoncat.h5訓練集數據文件test_catvnoncat.h5測試集數據文件nnn_app_utils_v2.py正向傳播dnn_app_utils_v2_back.py向后傳播cnn.py卷積神經網絡實現和測試訓練集CIFAR-10 8000測試集1 CIFAR-10 2000測試集2互聯網隨機圖片100單擊添加文本單擊添加文本單擊添加文本單擊添加文本以構建卷積神經網絡. 輸入實驗中使用的數據是32 * 32三通道彩像. 為了平衡算法的性能和穩定性神經網絡算法圖像識別，設置了具有如圖所示結構的卷積神經網絡. 卷積核可以保證算法的效率，更深的結構還可以保證算法可以有效地提取圖像特征. 單擊以添加文本. 單擊以添加文本. 單擊以添加文本. 單擊以添加文本以構建卷積神經網絡. 輸入每個卷積層后，所有的層都有一個ReLU層，最終的整個CNN網絡結構由一個輸入層和兩個圖結構組成，一個完全連接的層，一個Softmax層和一個輸出層. 單擊以添加文本單擊以添加文本單擊以添加文本單擊以添加文本實驗結果測試集源測試集樣本編號準確率CIFAR-10 2000 89％多源隨機下載圖片100 73％請老師批評和糾正

本文來自本站，轉載請注明本文網址：
http://www.pc-fly.com/a/jisuanjixue/article-256707-1.html