基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用.pdf

1、圖像分類是計(jì)算機(jī)視覺(jué)技術(shù)重要的研究方向，是指通過(guò)獲取圖像的顯著特征以實(shí)現(xiàn)不同類別劃分的圖像處理方法。傳統(tǒng)的圖像分類方法通過(guò)特征描述符加分類器的方法來(lái)實(shí)現(xiàn)，這種方法的準(zhǔn)確度很大程度上取決于特征提取的有效性。隨著計(jì)算機(jī)硬件性能、大數(shù)據(jù)及學(xué)習(xí)算法的發(fā)展，深度學(xué)習(xí)的方法被廣泛應(yīng)用到圖像處理的各個(gè)領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用了深度學(xué)習(xí)的思想，是一種深層前饋神經(jīng)網(wǎng)絡(luò)模型，在語(yǔ)音識(shí)別、人臉識(shí)別、運(yùn)動(dòng)分析、醫(yī)學(xué)診斷等多個(gè)圖像分類領(lǐng)域都表現(xiàn)出很好的性能。

2、>　　卷積神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，具有稀疏連接、權(quán)值共享等特點(diǎn)。卷積神經(jīng)網(wǎng)絡(luò)更好地模擬了視覺(jué)神經(jīng)元響應(yīng)圖像局部信息的特點(diǎn)，使用稀疏連接構(gòu)建圖像的局部感知野，大大降低了神經(jīng)網(wǎng)絡(luò)的參數(shù)規(guī)模。通過(guò)共享權(quán)值的方法將卷積層的每一個(gè)卷積核重復(fù)的作用于整個(gè)感受野中，提取出圖像的局部特征，減少了自由參數(shù)的數(shù)量，提高了模型的訓(xùn)練效率?；诰矸e神經(jīng)網(wǎng)絡(luò)的圖像分類方法避免了繁雜的顯示特征提取，將圖像的特征分析并入神經(jīng)網(wǎng)絡(luò)之中，通過(guò)調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的權(quán)值

3、和偏置，實(shí)現(xiàn)真正的端到端的圖像分類。
　　設(shè)計(jì)基本結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型是一個(gè)簡(jiǎn)單的過(guò)程，而對(duì)于模型的優(yōu)化和訓(xùn)練是一個(gè)漫長(zhǎng)和復(fù)雜的過(guò)程，因此對(duì)于模型的優(yōu)化方法研究和訓(xùn)練效率提升至關(guān)重要。文中基于卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，提出了依次使用數(shù)據(jù)集擴(kuò)充、準(zhǔn)確度提升、過(guò)擬合解決、效率提升的一套優(yōu)化方法流程。通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證了數(shù)據(jù)增強(qiáng)提升數(shù)據(jù)集的多樣性有利于提升準(zhǔn)確度和泛化能力;在數(shù)據(jù)集不變的情況下，提升網(wǎng)絡(luò)模型規(guī)模和層深度是有效提升模型分類準(zhǔn)

4、確度的方法;對(duì)于大規(guī)模網(wǎng)絡(luò)模型帶來(lái)的過(guò)擬合問(wèn)題，配合使用正則化、稀疏性優(yōu)化、數(shù)據(jù)分布優(yōu)化等方法均能夠?qū)崿F(xiàn)不同程度的解決;訓(xùn)練大規(guī)模模型和數(shù)據(jù)時(shí)，優(yōu)化梯度下降方法可以有效提升網(wǎng)絡(luò)的收斂速度，而使用GPU加速將極大的提升訓(xùn)練效率。
　　針對(duì)氣象行業(yè)地基全天空云圖的分類問(wèn)題，建立了9層的卷積神經(jīng)網(wǎng)絡(luò)模型，并通過(guò)BN算法、dropout方法對(duì)模型進(jìn)行優(yōu)化，在中國(guó)氣象科學(xué)研究院公開(kāi)的云圖數(shù)據(jù)集上進(jìn)行訓(xùn)練，并對(duì)測(cè)試集實(shí)現(xiàn)了最優(yōu)97.8％的分類

5、準(zhǔn)確度，相較于經(jīng)典模型Alexnet和GoogLeNet inception-v3分類準(zhǔn)確度更佳、參數(shù)量更少、訓(xùn)練效率更高。運(yùn)用遷移學(xué)習(xí)的方法將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到自制全天空云圖儀數(shù)據(jù)集的分類中，實(shí)驗(yàn)證明，使用遷移學(xué)習(xí)可以使網(wǎng)絡(luò)模型在新的數(shù)據(jù)集上實(shí)現(xiàn)快速收斂，在相同的時(shí)間內(nèi)訓(xùn)練出的模型分類性能要好于重新訓(xùn)練的網(wǎng)絡(luò)模型。經(jīng)過(guò)對(duì)兩類數(shù)據(jù)集上訓(xùn)練，在混合測(cè)試集上預(yù)測(cè)準(zhǔn)確度達(dá)到95.5％，也使所設(shè)計(jì)的網(wǎng)絡(luò)模型對(duì)于圖像的尺寸、儀器的采樣

6、方式具有更強(qiáng)的適應(yīng)性，在自制的全天空云圖儀上實(shí)現(xiàn)較好的分類效果。
　　針對(duì)質(zhì)檢行業(yè)卷煙煙絲組成成分的分類問(wèn)題，研究了煙絲各組成成分的特征，確定使用煙絲的局部特征圖像建立分類數(shù)據(jù)集。設(shè)計(jì)了基于卷積神經(jīng)網(wǎng)絡(luò)的煙絲識(shí)別模型，使用11層卷積神經(jīng)網(wǎng)絡(luò)用于局部特征圖像的分類，在訓(xùn)練過(guò)程中，提出了運(yùn)用多尺度分割方法提升模型的適用性，運(yùn)用數(shù)據(jù)增強(qiáng)方法提升數(shù)據(jù)集的多樣性，運(yùn)用正則化方法提升模型的泛化能力，使卷積神經(jīng)網(wǎng)絡(luò)在局部圖片測(cè)試集上最優(yōu)預(yù)測(cè)準(zhǔn)確