基于卷积神经网络的图像分类技术研究-计算机科学与技术专业论文.docx

湘潭大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均 已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借 阅。本人授权湘潭大学可以将本学位论文的全部或部分内容编入有关数据库进行 检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名： 日期： 年 月 日 导师签名： 日期： 年 月 日 I I 摘 要 随着移动互联网技术的迅猛发展，伴随着微信、微博、手机应用等手机媒体的兴起， 以及智能手机、平板电脑以及数码相机等移动设备的大量使用与 3G、4G、Wifi 等的高 速无线网络普及，用户可以方便快捷地上传或者浏览图像。然而，在现实生活中存在大 量无标记的图像难以进行搜索和处理。传统的图像分类识别方法效果较差，给人们的生 活或者搜索带来很多的使用不便，特别是在复杂环境下对自然图像的分类识别，人们迫 切希望在图像识别中能有新的突破。 卷积神经网络是热门图像分类别方法（深度学习方法之一），其学习方法借鉴了神 经元处理图像的原理。目前的海量图像数据的出现，有了较多的图像样本，随着硬件的 提升，正好为神经网络的进行大规模训练带来了很大的机遇。为此，本文基于传统的手 写数字的分类框架 LeNet-5 进行改进，通过在 MNIST 数据库以及 CIFAR-10 数据库的分 类任务，研究影响卷积神经网络的性能的因素；并根据卷积神经网络重新设计一个深度 卷积网络，在 Tiny ImageNet 数据库上达到很好的分类效果。 本文创新工作如下： 1. 针对应用于图像分类设计的卷积网络模型中如何选择层次结构以及优化算法等 问题，我们根据 LeNet-5 的架构，在其基础上引入一个具有五层结构的卷积神经网络， 并应用在 MNIST 数据库以及 CIFAR-10 数据库的识别任务中，通过调整改进的卷积神 经网络的层次结构、激活函数、下降算法、数据增强、池化选择以及特征图个数来进行 比对实验，研究发现卷积神经网络使用池化大小为 3*3 以及较多的核(64 以上)和小的感 受野(2*2)、增加层次结构、使用 Relu 激活函数、带动量的梯度下降算法以及增强数据 集后，在一定的实验条件下，将图像分类结果在 MNIST 数据库降到了 1.08%的错误率， 在 CIFAR-10 数据库降到了 28.12%的错误率。 2.针对 Tiny ImageNet 数据库中自然图像的分类，通过分析卷积神经网络的影响因 素后，总结参数以及优化算法使用的规律，设计一个网络深度层次为 16 层（不包括池 化层）的深度卷积网络，层次中使用了 13 个卷积层以及 3 层全连接层。在 Tiny ImageNet 数据库上相比较 Zeiler 模型 (32.27%的 Top-1 正确率)，本文模型取得了 54.38%的 Top-1 正确率。 关键词：机器学习；深度学习；卷积神经网络；手写数字识别；图像分类；图像识别 II II Abstract With the rapid development of mobile Internet technology, along with the extensive use of the rise of micro-channel, microblogging, mobile applications and other mobile media, as well as smart phones, tablet computers and digital cameras and other mobile devices with 3G, 4G, Wifi and other high-speed wireless network popularity, users can quickly and easily browse or upload images. However, there are a large number of unmarked difficult in real life image search and processing. But the traditional method of image classification results, to search peoples lives