基于深度學(xué)習(xí)的圖像分類(lèi)方法研究.pdf

1、圖像作為人類(lèi)感知事物的視覺(jué)基礎(chǔ)，是人們從外界獲得信息的重要依據(jù)，所以讓機(jī)器自動(dòng)完成圖像識(shí)別、分類(lèi)具有重要意義。圖像分類(lèi)最重要的部分是特征提取，研究高效的特征提取算法在圖像領(lǐng)域至關(guān)重要。深度學(xué)習(xí)（Deep Learning， DL）是多層的網(wǎng)絡(luò)結(jié)構(gòu)，它通過(guò)建立、模擬人腦的分層結(jié)構(gòu)，對(duì)外部輸入的聲音、圖像、文本等數(shù)據(jù)進(jìn)行從低級(jí)到高級(jí)的特征提取，所以深度學(xué)習(xí)在圖像分類(lèi)領(lǐng)域具有廣闊的應(yīng)用空間。而深度學(xué)習(xí)本身存在訓(xùn)練時(shí)間過(guò)長(zhǎng)、過(guò)擬合等問(wèn)題，本文以

2、提高深度模型分類(lèi)精確度、縮短訓(xùn)練時(shí)間和防止模型過(guò)擬合三個(gè)問(wèn)題為出發(fā)點(diǎn)，主要研究工作如下：
　　首先，本文研究了極速學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）作為卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）分類(lèi)器的可行性與意義，進(jìn)而提出了混合深度模型CNN-ELM（Convolutional Neural Network-Extreme Learning Machine）。

3、先用原始的CNN訓(xùn)練網(wǎng)絡(luò)，然后用ELM替換CNN的輸出層完成最后的分類(lèi)，混合模型結(jié)合了 CNN有效提取圖像特征和ELM快速高效的特點(diǎn)，使得兩種方法能夠協(xié)同工作，實(shí)驗(yàn)表明CNN-ELM提高了CNN的分類(lèi)精確度。
　　其次，針對(duì)深度學(xué)習(xí)方法訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn)題，研究了隨機(jī)參數(shù)網(wǎng)絡(luò)結(jié)構(gòu)的可行性與意義。核極速學(xué)習(xí)機(jī)是在ELM的基礎(chǔ)上引入了核函數(shù)，具有更好的分類(lèi)效果，從而提出了基于核極速學(xué)習(xí)機(jī)的隨機(jī)參數(shù)深度模型：卷積極速學(xué)習(xí)機(jī)（Convolu

4、tional Extreme Learning Machine with Kernel，CKELM）。在模型CKELM中，把隨機(jī)權(quán)值的卷積層和降采樣層作為隱含層，來(lái)提取輸入圖像的顯著特征。實(shí)驗(yàn)表明該算法既保證了分類(lèi)精確度又大大縮短了深度算法的訓(xùn)練時(shí)間。
　　最后，本文研究了基于DropConnect的深度自動(dòng)編碼器算法的應(yīng)用意義和可行性。DropConnect作為一種新型的正則化方法，在處理過(guò)擬合等問(wèn)題上表現(xiàn)突出，所以文章提出了一